Les masques curvilinéaires offrent des avantages importants aux nœuds technologiques de pointe. L'un des principaux avantages est l'amélioration de la fenêtre de traitement par rapport aux formes rectilignes traditionnelles. Cette fenêtre de traitement plus grande améliore les performances de lithographie des plaquettes et rend l'image imprimée moins sensible aux variations du processus. Il a été démontré que les résultats de la technologie de lithographie inverse curvilinéaire (ILT) fournissent les meilleurs indicateurs de fenêtre de traitement, tels que la meilleure profondeur de champ (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 capacité unique à fournir des performances élevées sur les plaquettes.

Lisez le document technique »Des virages devant ! La fabrication de circuits intégrés prépare les masques curvilinéaires« et apprenez-en plus sur les avantages des masques curvilinéaires.

Les masques curvilignes ont des formes intrinsèques, notamment des caractéristiques telles que des angles vifs, des jonctions T/Y et des virages serrés. Par conséquent, de simples contrôles de vérification sont souvent insuffisants. 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 pour mesurer la distance minimale, il faut mesurer dans différentes directions pour trouver le véritable minimum.

Les masques curvilignes nécessitent des contrôles de zone complémentaires. Les contrôles de surface minimaux sont cruciaux pour les formes curvilignes, car ils permettent de détecter des conditions qui passent avec succès de simples contrôles dimensionnels mais qui ne peuvent toujours pas être imprimées en raison de la forte contribution du flou du masque sur les petits éléments 2D. De plus, les masques curvilignes nécessitent des contrôles des règles de masque qui leur sont propres, tels que les contrôles de courbure maximale qui ne sont pas obligatoires pour les masques rectangulaires.

Calibre propose la vérification des règles du masque curvilinéaire (CLMRC) selon deux approches. L'une des approches consiste à tirer parti de Calibre OPCverify. Parmi les principales vérifications du CLMRC dans Calibre OPCVerify, citons 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 présence de splines sur une couche multigonale.

L'autre approche est le calibre RET CLMRC. Il s'agit d'un ensemble de commandes au format de règle de vérification standard (SVRF) conçues pour effectuer des contrôles CLMRC sur des 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 est due au fait que la classification des erreurs basée sur la géométrie, traditionnelle pour les dessins de Manhattan, comporte des limites pour les dessins curvilinéaires en raison de la dépendance à l'angle des bords, du grand nombre de sommets et d'arêtes et de l'incohérence des captures de grille. L'approche d'apprentissage automatique classe les erreurs en fonction de vecteurs de caractéristiques dérivés du contexte de mise en page à l'endroit de l'erreur, plutôt que de se fier uniquement aux sommets et aux arêtes. Le principal avantage est la réduction spectaculaire du nombre de catégories d'erreurs uniques à réviser, ce qui rend le processus de révision des erreurs beaucoup plus facile à gérer. L'approche d'apprentissage automatique permet également de mieux sous-classer les erreurs en fonction de critères tels que le type d'arête (convexe, concave, droite) ou de propriétés géométriques telles que la largeur ou l'espace, ce qui permet d'affiner les résultats avec flexibilité.

La classification basée sur l'apprentissage automatique est particulièrement utile dans le contexte du traitement des mises en page curvilinéaires, car elle permet d'identifier de manière automatisée, efficace et évolutive les types d'erreurs liés à des modèles complexes. Les modèles d'apprentissage automatique peuvent être entraînés pour classer les erreurs dans l'espace vectoriel des caractéristiques, ce qui constitue une orientation idéale pour la classification des erreurs dans les mises en page curvilinéaires. Cette fonctionnalité peut être directement appliquée à la vérification de la correction de proximité optique curvilinéaire (CLOPC), à la vérification de la correction du processus des masques curvilinéaires (CLMPC) et à la vérification des règles des masques curvilinéaires (CLMRC), où l'identification rapide et précise des problèmes de conception ou de processus est essentielle. Contrairement à 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 réviser) tout en étant capables de différencier les exemples d'erreurs suffisamment différents pour justifier une séparation dans les catégories de classification.