曲線マスクは、先端技術ノードに大きなメリットをもたらします。主な利点は、従来の直線形状と比較してプロセスウィンドウが改善されていることです。この大きなプロセスウィンドウにより、ウェーハリソグラフィのパフォーマンスが向上し、印刷された画像がプロセスのばらつきの影響を受けにくくなります。曲線逆リソグラフィ技術（ILT）の結果は、最高の焦点深度（CDoF）など、最高のプロセスウィンドウメトリックが得られることが実証されています。全体として、カーブリニアマスクは、ウェーハの高い性能を実現する独自の能力により、次世代のマスク技術としてますます注目されています。

テクニカルペーパーを読んでください」前方にカーブしてください！IC製造会社は曲線マスクの準備をしています「そして曲線マスクの利点についてもっと学びましょう。

曲線マスクには本質的に、鋭角、T/Y接合、鋭い曲がり角などの特徴を含む形状があります。したがって、単純な検証チェックでは不十分な場合がよくあります。たとえば、主に直線のエッジに垂直に測定する長方形とは異なり、曲線状のエッジは常に「方向を変える」。つまり、最小距離を測定するには、さまざまな方向で測定して真の最小値を見つける必要があります。

曲線マスクには、補完的なエリアチェックが必要です。曲線形状では、単純な寸法チェックに合格しても、小さな2Dフィーチャでのマスクぼやけの影響を強く受けて印刷できない条件を捉えることができるため、最小限の面積チェックが重要です。さらに、曲線マスクには、長方形のマスクには必要ない最大曲率チェックなど、曲線マスク独自のマスクルールチェックが必要です。

Calibreは、2つの方法で曲線マスク・ルール・チェック（CLMRC）検証を提供しています。1つのアプローチは、Calibre OPCverify を活用することです。Calibre OPCverify yでのCLMRCの主なチェックの例には、曲率半径のチェック、最小幅の計算、奥行きと幅の比の計算、エッジ間の距離の測定、スパイク角度のチェック、マルチゴンレイヤー上のスプラインのチェックなどがあります。

もう一つのアプローチはキャリバーRET CLMRCです。これは、曲線マスクのCLMRCチェックを実行するために設計された標準検証ルール形式（SVRF）コマンドのセットです。Calibre OPCverify で利用できるすべてのCLMRCチェックは、キャリバーRET CLMRCでサポートされています。

マンハッタンの設計では従来の幾何学ベースのエラー分類は、エッジ角度依存性、頂点/エッジ数の増加、グリッドスナップの不一致により、曲線設計には限界があるため、機械学習による分類が必要になります。機械学習アプローチは、頂点とエッジだけに頼るのではなく、エラー位置のレイアウトコンテキストから導出された特徴ベクトルに基づいてエラーを分類します。主な利点は、レビューの対象となる固有のエラーカテゴリの数が大幅に減り、エラーレビュープロセスがはるかに管理しやすくなることです。機械学習アプローチでは、エッジタイプ（凸面、凹面、直線）や幅やスペースなどの幾何学的特性などの基準に基づいてエラーをさらに細分化することもでき、結果を柔軟に微調整できます。

機械学習ベースの分類は、複雑なパターンにわたるエラータイプを自動的かつ効率的かつスケーラブルに識別できるため、曲線レイアウト処理のコンテキストで特に役立ちます。機械学習モデルは、特徴ベクトル空間のエラーを分類するようにトレーニングできます。曲線レイアウトのエラー分類の理想的なガイダンスを提供します。この機能は、設計やプロセスの問題を迅速かつ正確に特定することが重要な、曲線光学近接補正（CLOPC）検証、曲線マスクプロセス補正（CLMPC）検証、曲線マスクルールチェック（CLMRC）に直接適用できます。従来の幾何学ベースの分類とは異なり、機械学習ベースの分類を使用することで、ユーザーは分類カテゴリで分離する必要があるほど十分に異なるエラー例を区別しながら、良好な分類比を達成できます（レビューするエラーが少なくなります）。