Kromlijnige maskers bieden aanzienlijke voordelen voor knooppunten met geavanceerde technologie. Een belangrijk voordeel is het verbeterde procesvenster in vergelijking met traditionele rechtlijnige vormen. Dit grotere procesvenster verbetert de prestaties van wafellithografie en maakt het afgedrukte beeld minder gevoelig voor procesvariaties. Er is aangetoond dat de resultaten van de curvilineaire inverse lithografietechnologie (ILT) de beste meetwaarden voor procesvensters opleveren, zoals de beste scherptediepte (CdOF). Over het algemeen worden kromlijnige maskers steeds meer gezien als de maskertechnologie van de volgende generatie vanwege hun unieke vermogen om hoge waferprestaties te leveren.

Lees het technische document”Bocht vooruit! IC-productie bereidt zich voor op kromlijnige maskers„en lees meer over de voordelen van kromlijnige maskers.

Kromlijnige maskers hebben van nature vormen, waaronder kenmerken zoals scherpe hoeken, T/Y-kruispunten en scherpe bochten. Daarom zijn eenvoudige verificatiecontroles vaak onvoldoende. In tegenstelling tot rechthoekige vormen waarbij u voornamelijk loodrecht op rechte randen meet, veranderen de randen van kromlijnige vormen bijvoorbeeld voortdurend van richting. Dit betekent dat bij het meten van de minimumafstand in verschillende richtingen moet worden gemeten om het werkelijke minimum te vinden.

Kromlijnige maskers hebben aanvullende zonecontroles nodig. Minimale oppervlaktecontroles zijn cruciaal voor kromlijnige vormen, omdat ze omstandigheden kunnen detecteren die voldoen aan eenvoudige dimensiecontroles, maar die nog steeds niet kunnen worden afgedrukt vanwege de grote bijdrage van maskeronscherpte op kleine 2D-kenmerken. Bovendien vereisen kromlijnige maskers controles van de maskerregels die uniek zijn voor hen, zoals controles op de maximale kromming die niet vereist zijn voor rechthoekige maskers.

Calibre biedt verificatie van de Curvilinear Mask Rule Check (CLMRC) op twee manieren. Eén benadering is om gebruik te maken van Calibre OpcVerify. Voorbeelden van primaire controles voor CLMRC in Calibre OpcVerify zijn onder meer het controleren van de krommingsradius, het berekenen van de minimale breedte, het berekenen van de diepte-breedteverhouding, het meten van de afstand tussen randen, het controleren van piekhoeken en het controleren op spline op een laag met meerdere gonen.

De andere benadering is Calibre RET CLMRC. Het is een set standaardopdrachten in het formaat van de verificatieregels (SVRF) die zijn ontworpen om CLMRC-controles uit te voeren op kromlijnige maskers. Alle CLMRC-controles die beschikbaar zijn in Calibre OpcVerify worden ondersteund in Calibre RET CLMRC.

De behoefte aan classificatie op basis van machinaal leren ontstaat omdat foutclassificatie op basis van geometrie, traditioneel voor ontwerpen in Manhattan, beperkingen kent voor kromlijnige ontwerpen vanwege de afhankelijkheid van de randhoek, grote aantallen hoekpunten/randen en inconsistentie in rastersnaps. De benadering van machinaal leren classificeert fouten op basis van kenmerkvectoren die zijn afgeleid van de context van de lay-out op de plaats van de fout, in plaats van uitsluitend te vertrouwen op hoekpunten en randen. Het belangrijkste voordeel is een drastische vermindering van het aantal unieke foutcategorieën dat moet worden beoordeeld, waardoor het beoordelingsproces van fouten veel beter beheersbaar is. De benadering van machinaal leren maakt het ook mogelijk om fouten verder te subclassificeren op basis van criteria zoals het randtype (convex, concaaf, recht) of geometrische eigenschappen zoals breedte of ruimte, wat flexibiliteit biedt voor het verfijnen van resultaten.

Classificatie op basis van machinaal leren is bijzonder nuttig in de context van de verwerking van kromlijnige lay-outs, omdat het een geautomatiseerde, efficiënte en schaalbare identificatie van fouttypes in complexe patronen mogelijk maakt. Modellen voor machinaal leren kunnen worden getraind om fouten in de vectorruimte van objecten te classificeren, wat een ideale leidraad is voor de classificatie van fouten voor kromlijnige lay-outs. Deze mogelijkheid kan rechtstreeks worden toegepast op verificatie van curvilinear Optical Proximity Correction (CLOPC), verificatie van Curvilinear Mask Process Correction (CLMPC) en Curvilinear Mask Rule Check (CLMRC), waarbij snelle en nauwkeurige identificatie van ontwerp- of procesproblemen van cruciaal belang is. Anders dan bij de traditionele classificatie op basis van geometrie zullen gebruikers door gebruik te maken van classificatie op basis van machine learning goede classificatieratio's bereiken (minder fouten om te beoordelen), terwijl ze toch onderscheid kunnen maken tussen foutvoorbeelden die voldoende verschillen om een scheiding in de classificatiecategorieën te rechtvaardigen.