Les masques curvilignes offrent des avantages significatifs pour les nœuds de technologie de pointe. L'un des principaux avantages est la fenêtre de processus améliorée par rapport aux formes rectilignes traditionnelles. Cette fenêtre de processus plus grande améliore les performances de lithographie des plinettes et rend l'image imprimée moins sensible aux variations de processus. Il a été démontré que les résultats de la technologie de lithographie inverse curviligne (ILT) produisent les meilleures métriques de fenêtre de processus, telles que la meilleure profondeur de mise au point (CDof). Dans l'ensemble, les masques curvilignes sont de plus en plus considérés comme la technologie de masque de nouvelle génération en raison de leur puissance unique en matière de performances élevées en plinettes.

Lire le document technique »Courbes en avant ! La fabrication de CI se prépare pour les masques curvilignes« et apprenez-en plus sur les avantages des masques curvilignes.

Les masques curvilignes ont intrinsèquement des formes, y compris des caractéristiques telles que des angles vifs, des jonctions T/Y et des virages serrés. Par conséquent, les vérifications simples sont souvent insuffisantes. Par exemple, contrairement aux formes rectangulaires où vous mesurez principalement perpendiculairement aux bords droits, les bords des formes curvilignes « changent de direction » constamment. Cela signifie que mesurer la distance minimale implique de mesurer dans différentes directions pour trouver le vrai minimum.

Les masques curvilignes nécessitent des vérifications de zone complémentaires. Les vérifications de surface minimales sont cruciales pour les formes curvilignes, car elles peuvent détecter des conditions qui passent des contrôles de dimension simples mais qui échoueraient quand même à imprimer en raison de la forte contribution du flou du masque sur les petites fonctionnalités 2D. De plus, les masques curvilignes nécessitent des vérifications de règles de masque qui leur sont propres, telles que les vérifications de courbure maximale qui ne sont pas requises pour les masques rectangulaires.

Calibre offre la vérification des règles du masque curviligne (CLMRC) à travers deux approches. Une approche consiste à tirer parti de Calibre OPCverify. Les exemples de vérifications primaires pour CLMRC dans Calibre OPCverify comprennent la vérification du rayon de courbure, le calcul de la largeur minimale, le calcul du rapport profondeur/largeur, la mesure de la distance entre les arêtes, la vérification des angles de pointe et la vérification de la spline sur une couche multigone.

L'autre approche est Calibre RET CLMRC. Il s'agit d'un ensemble de commandes au format de règle de vérification standard (SVRF) conçues pour effectuer des vérifications CLMRC sur les masques curvilignes. Tous les contrôles CLMRC disponibles dans Calibre OPCverify sont pris en charge dans Calibre RET CLMRC.

La nécessité d'une classification par apprentissage automatique se pose parce que la classification des erreurs basée sur la géométrie, traditionnelle pour les conceptions de Manhattan, a des limites pour les conceptions curvilignes en raison de la dépendance à l'angle d'arête, du grand nombre de vertexs/arêtes et de l'incohérence des claquages de grille. L'approche d'apprentissage automatique classe les erreurs en fonction des vecteurs de caractéristiques dérivés du contexte de mise en page à l'emplacement de l'erreur, plutôt que de se fier uniquement aux vertex et aux arêtes. Le principal avantage est une réduction spectaculaire du nombre de catégories d'erreurs uniques à examiner, ce qui rend le processus de révision des erreurs beaucoup plus gérable. L'approche d'apprentissage automatique permet également une sous-classification supplémentaire des erreurs en fonction de critères tels que le type d'arête (convexe, concave, droit) ou les propriétés géométriques comme la largeur ou l'espace, offrant une flexibilité pour affiner les résultats.

La classification basée sur l'apprentissage automatique est particulièrement utile dans le contexte du traitement de la mise en page curviligne, car elle permet une identification automatisée, efficace et évolutive des types d'erreur sur des modèles complexes. Les modèles d'apprentissage automatique peuvent être formés pour classer les erreurs dans l'espace vectoriel des caractéristiques, fournissant des conseils idéaux pour la classification des erreurs pour les mises en page curvilignes. Cette capacité peut être appliquée directement à la vérification de la correction de proximité optique curviligne (CLPC), à la vérification de la correction du processus de masque curviligne (CLMPC) et à la vérification des règles de masque curviligne (CLMRC), où l'identification rapide et précise des problèmes de conception ou de processus est essentielle. Différent de la classification traditionnelle basée sur la géométrie, en utilisant la classification basée sur l'apprentissage automatique, les utilisateurs obtiendront de bons ratios de classification (moins d'erreurs à examiner) tout en ayant la capacité de différencier les exemples d'erreurs suffisamment différents pour justifier une séparation dans les catégories de classification.