Οι καμπύλες μάσκες προσφέρουν σημαντικά οφέλη για κόμβους προηγμένης τεχνολογίας. Ένα πρωταρχικό πλεονέκτημα είναι το βελτιωμένο παράθυρο διαδικασίας σε σύγκριση με τα παραδοσιακά ευθύγραμμα σχήματα. Αυτό το μεγαλύτερο παράθυρο διεργασίας βελτιώνει την απόδοση λιθογραφίας πλακιδίων και καθιστά την εκτυπωμένη εικόνα λιγότερο ευαίσθητη στις παραλλαγές της διαδικασίας. Τα αποτελέσματα της τεχνολογίας καμπυλόγραμμης αντίστροφης λιθογραφίας (ILT) έχουν αποδειχθεί ότι αποδίδουν τις καλύτερες μετρήσεις παραθύρου διαδικασίας, όπως το καλύτερο βάθος εστίασης (CDoF). Συνολικά, οι καμπύλες μάσκες θεωρούνται όλο και περισσότερο ως η τεχνολογία μάσκας επόμενης γενιάς λόγω της μοναδικής τους δύναμης στην παροχή υψηλής απόδοσης γκοφρέτας.

Διαβάστε το τεχνικό έγγραφο»Καβγά μπροστά! Η κατασκευή ολοκληρωμένου κυκλώματος προετοιμάζεται για καμπύλες μάσκες«και μάθετε περισσότερα για τα οφέλη των καμπυλόγραμμων μάσκων.

Οι καμπύλες μάσκες έχουν εγγενώς σχήματα που περιλαμβάνουν χαρακτηριστικά όπως αιχμηρές γωνίες, διασταυρώσεις T/Y και αιχμηρές στροφές. Ως εκ τούτου, οι απλοί έλεγχοι επαλήθευσης είναι συχνά ανεπαρκείς. Για παράδειγμα, σε αντίθεση με τα ορθογώνια σχήματα όπου μετράτε κυρίως κάθετα σε ευθείες άκρες, οι άκρες των καμπυλόγραμμων σχημάτων «αλλάζουν κατεύθυνση» συνεχώς. Αυτό σημαίνει ότι η μέτρηση της ελάχιστης απόστασης περιλαμβάνει μέτρηση σε διάφορες κατευθύνσεις για να βρεθεί το πραγματικό ελάχιστο.

Οι καμπύλες μάσκες χρειάζονται συμπληρωματικούς ελέγχους περιοχής. Οι έλεγχοι ελάχιστης περιοχής είναι ζωτικής σημασίας για καμπυλόγραμμα σχήματα, επειδή μπορούν να συλλάβουν συνθήκες που περνούν απλούς ελέγχους διαστάσεων, αλλά εξακολουθούν να αποτυγχάνουν να εκτυπωθούν λόγω της ισχυρής συμβολής της θόλωσης μάσκας σε μικρά στοιχεία 2D. Επιπλέον, οι καμπύλες μάσκες απαιτούν ελέγχους κανόνων μάσκας που είναι μοναδικοί για αυτές, όπως τους ελέγχους μέγιστης καμπυλότητας που δεν απαιτούνται για ορθογώνιες μάσκες.

Το Calibre προσφέρει επαλήθευση κανόνων καμπυλόγραμμης μάσκας (CLMRC) μέσω δύο προσεγγίσεων. Μια προσέγγιση είναι η αξιοποίηση του Calibre OpcVerify. Παραδείγματα πρωταρχικών ελέγχων για το CLMRC στο Calibre opcVerify περιλαμβάνουν τον έλεγχο της ακτίνας καμπυλότητας, τον υπολογισμό του ελάχιστου πλάτους, τον υπολογισμό της αναλογίας βάθους προς πλάτος, τη μέτρηση της απόστασης μεταξύ των άκρων, τον έλεγχο γωνιών ακίδων και τον έλεγχο γραμμής spline σε ένα στρώμα πολλαπλών διαστάσεων.

Η άλλη προσέγγιση είναι το Calibre RET CLMRC. Πρόκειται για ένα σύνολο εντολών τυπικής μορφής κανόνα επαλήθευσης (SVRF) που έχουν σχεδιαστεί για την εκτέλεση ελέγχων CLMRC σε καμπύλες μάσκες. Όλοι οι έλεγχοι CLMRC που είναι διαθέσιμοι στο Calibre opcVerify υποστηρίζονται στο Calibre RET CLMRC.

Η ανάγκη για ταξινόμηση μηχανικής μάθησης προκύπτει επειδή η ταξινόμηση σφαλμάτων βάσει γεωμετρίας, παραδοσιακή για τα σχέδια του Μανχάταν, έχει περιορισμούς για καμπυλόγραμμα σχέδια λόγω εξάρτησης από τη γωνία άκρων, μεγάλου αριθμού κορυφών/άκρων και ασυνέπειας πρόσδεσης πλέγματος. Η προσέγγιση μηχανικής μάθησης ταξινομεί σφάλματα με βάση διανύσματα χαρακτηριστικών που προέρχονται από το πλαίσιο διάταξης στη θέση σφάλματος, αντί να βασίζεται αποκλειστικά σε κορυφές και άκρες. Το βασικό πλεονέκτημα είναι η δραματική μείωση του αριθμού των μοναδικών κατηγοριών σφαλμάτων για έλεγχο, καθιστώντας τη διαδικασία αναθεώρησης σφαλμάτων πολύ πιο διαχειρίσιμη. Η προσέγγιση μηχανικής μάθησης επιτρέπει επίσης περαιτέρω υποταξινόμηση σφαλμάτων με βάση κριτήρια όπως ο τύπος άκρης (κυρτός, κοίλος, ευθύς) ή γεωμετρικές ιδιότητες όπως το πλάτος ή ο χώρος, παρέχοντας ευελιξία για την τελειοποίηση των αποτελεσμάτων.

Η ταξινόμηση βάσει μηχανικής μάθησης είναι ιδιαίτερα χρήσιμη στο πλαίσιο της καμπυλόγραμμης επεξεργασίας διάταξης επειδή επιτρέπει αυτοματοποιημένη, αποτελεσματική και κλιμακούμενη αναγνώριση τύπων σφαλμάτων σε πολύπλοκα μοτίβα. Τα μοντέλα μηχανικής μάθησης μπορούν να εκπαιδευτούν για την ταξινόμηση σφαλμάτων στον διανυσματικό χώρο χαρακτηριστικών, παρέχοντας ιδανική καθοδήγηση για ταξινόμηση σφαλμάτων για καμπυλόγραμμες διατάξεις. Αυτή η δυνατότητα μπορεί να εφαρμοστεί άμεσα στην επαλήθευση διόρθωσης καμπυλόγραμμης οπτικής εγγύτητας (CLOPC), στην επαλήθευση διόρθωσης διαδικασίας καμπυλόγραμμης μάσκας (CLMPC) και στον έλεγχο κανόνων καμπυλόγραμμης μάσκας (CLMRC), όπου η γρήγορη και ακριβής αναγνώριση ζητημάτων σχεδιασμού ή διαδικασίας είναι κρίσιμη. Διαφορετικά από την παραδοσιακή ταξινόμηση βάσει γεωμετρίας, με τη χρήση ταξινόμησης βάσει μηχανικής μάθησης, οι χρήστες θα επιτύχουν καλές αναλογίες ταξινόμησης (λιγότερα σφάλματα για έλεγχο), ενώ θα έχουν τη δυνατότητα να κάνουν διάκριση μεταξύ παραδειγμάτων σφαλμάτων που είναι αρκετά διαφορετικά ώστε να δικαιολογούν τον διαχωρισμό στις κατηγορίες ταξινόμησης.