Криволинейните маски предлагат значителни ползи за модерните технологични възли. Основно предимство е подобреният прозорец на процеса в сравнение с традиционните праволинейни форми. Този по-голям процесен прозорец подобрява ефективността на литографията на вафли и прави отпечатаното изображение по-малко чувствително към вариации на процеса. Доказано е, че резултатите от криволинейната технология за обратна литография (ILT) дават най-добрите показатели за прозореца на процеса, като най-добрата дълбочина на фокусиране (CDoF). Като цяло криволинейните маски все повече се разглеждат като технология за маски от следващо поколение поради уникалната им мощност при осигуряване на висока производителност на вафли.

Прочетете техническия документ“Криви напред! IC производството се подготвя за криволинейни маски„и научете повече за ползите от криволинейните маски.

Криволинейните маски по своята същност имат форми, включително характеристики като остри ъгли, T/Y кръстовища и остри завои. Следователно простите проверки за проверка често са недостатъчни. Например, за разлика от правоъгълните форми, където измервате главно перпендикулярно на прави ръбове, краищата на криволинейните форми постоянно „променят посоката“. Това означава, че измерването на минималното разстояние включва измерване в различни посоки, за да се намери истинският минимум.

Криволинейните маски се нуждаят от допълнителни проверки на площта. Проверките на минималната площ са от решаващо значение за криволинейните форми, тъй като те могат да уловят условия, които преминават прости проверки на размерите, но все пак не могат да се отпечатват поради силния принос на замъгляването на маската при малки 2D функции. В допълнение, криволинейните маски изискват проверки на правилата за маски, които са уникални за тях, като например проверките на максималната кривина, които не се изискват за правоъгълни маски.

Calibre предлага проверка на правилата за криволинейна маска (CLMRC) чрез два подхода. Един от подходите е да се Calibre OPCverify. Примерите за първични проверки за CLMRC в Calibre OPCverify OPCVerify включват проверка на радиуса на кривина, изчисляване на минималната ширина, изчисляване на съотношението дълбочина към ширина, измерване на разстоянието между ръбовете, проверка за ъгли на шипове и проверка за сплайн на многоъгълен слой.

Другият подход е Calibre RET CLMRC. Това е набор от стандартни команди за формат на правилото за проверка (SVRF), предназначени за извършване на CLMRC проверки на криволинейни маски. Всички проверки на CLMRC, налични в Calibre OPCverify OPCVerify, се поддържат в Calibre RET CLMRC.

Необходимостта от класификация за машинно обучение възниква, тъй като класификацията на грешки, базирана на геометрията, традиционна за дизайните в Манхатън, има ограничения за криволинейните дизайни поради зависимостта от ъгъла на ръба, голям брой върхове/ръбове и непоследователност при счупване на решетката. Подходът за машинно обучение класифицира грешките въз основа на вектори на характеристики, получени от контекста на оформлението на мястото на грешката, вместо да разчита единствено на върхове и ръбове. Основното предимство е драматичното намаляване на броя на уникалните категории грешки за преглед, което прави процеса на преглед на грешки много по-управляем. Подходът за машинно обучение също така позволява по-нататъшна подкласификация на грешките въз основа на критерии като тип ръб (изпъкнал, вдлъбнат, прав) или геометрични свойства като ширина или пространство, осигурявайки гъвкавост за фина настройка на резултатите.

Класификацията, базирана на машинно обучение, е особено полезна в контекста на обработката на криволинейно оформление, тъй като позволява автоматизирана, ефективна и мащабируема идентификация на типовете грешки в сложни модели. Моделите за машинно обучение могат да бъдат обучени да класифицират грешки във векторното пространство на характеристиките, предоставяйки идеални насоки за класификация на грешки за криволинейни оформления. Тази възможност може да се приложи директно при проверка на криволинейна оптична корекция на близост (CLOPC), проверка на корекция на процеса на криволинейна маска (CLMPC) и проверка на правилото за криволинейна маска (CLMRC), където бързото и точно идентифициране на проблемите с дизайна или процеса е от решаващо значение. За разлика от традиционната класификация, базирана на геометрия, чрез използване на класификация, базирана на машинно обучение, потребителите ще постигнат добри коефициенти на класификация (по-малко грешки за преглед), като същевременно имат способността да правят разлика между примери за грешки, които са достатъчно различни, за да гарантират разделяне в категориите за класификация.