Криволинейные маски обладают значительными преимуществами для узлов с передовыми технологиями. Основным преимуществом является улучшенное технологическое окно по сравнению с традиционными прямолинейными формами. Это увеличенное технологическое окно повышает производительность литографии пластин и снижает чувствительность печатного изображения к изменениям процесса. Было продемонстрировано, что результаты технологии криволинейной обратной литографии (ILT) дают наилучшие показатели технологического окна, такие как наилучшая глубина фокусировки (CdoF). В целом, криволинейные маски все чаще рассматриваются как технология масок нового поколения из-за их уникальной способности обеспечивать высокие характеристики пластин.

Прочитайте технический документ»Впереди повороты! Производство микросхем готовится к выпуску криволинейных масок«и узнайте больше о преимуществах криволинейных масок.

Криволинейные маски по своей природе имеют такие формы, как острые углы, стыки T/Y и резкие повороты. Поэтому простых проверочных проверок часто бывает недостаточно. Например, в отличие от прямоугольных фигур, где измерения в основном перпендикулярны прямым кромкам, края криволинейных фигур постоянно «меняют направление». Это означает, что измерение минимального расстояния включает измерения в различных направлениях для определения истинного минимума.

Криволинейные маски нуждаются в дополнительной проверке области. Проверка минимальной площади имеет решающее значение для криволинейных фигур, поскольку она позволяет выявить условия, при которых можно выполнить простые проверки размеров, но все равно не удастся напечатать из-за сильного влияния размытия маски на небольших двухмерных объектах. Кроме того, криволинейные маски требуют уникальных для них проверок правил использования масок, таких как проверка максимальной кривизны, которая не требуется для прямоугольных масок.

Calibre предлагает проверку правил криволинейных масок (CLMRC) двумя способами. Один из подходов заключается в использовании Calibre OPCVerify. Примеры первичных проверок CLMRC в Calibre OPCVerify включают проверку радиуса кривизны, вычисление минимальной ширины, вычисление отношения глубины к ширине, измерение расстояния между ребрами, проверку углов шипов и проверку сплайна на многоугольном слое.

Другой подход — калибр RET CLMRC. Это набор команд стандартного формата правил верификации (SVRF), предназначенных для выполнения проверок CLMRC на криволинейных масках. Все проверки CLMRC, доступные в калибре OPCVerify, поддерживаются в Calibre RET CLMRC.

Необходимость в классификации с помощью машинного обучения возникает из-за того, что классификация ошибок на основе геометрии, традиционная для проектов Манхэттена, имеет ограничения для криволинейных конструкций из-за зависимости углов кромок, большого количества вершин и ребер и несогласованности привязок сетки. Подход машинного обучения классифицирует ошибки на основе векторов признаков, полученных из контекста компоновки в месте ошибки, а не только на вершинах и ребрах. Ключевое преимущество заключается в значительном сокращении количества уникальных категорий ошибок, подлежащих проверке, что значительно упрощает процесс проверки ошибок. Подход машинного обучения также позволяет дополнительно классифицировать ошибки на основе таких критериев, как тип ребра (выпуклая, вогнутая, прямая) или геометрические свойства, такие как ширина или пространство, что обеспечивает гибкость для точной настройки результатов.

Классификация на основе машинного обучения особенно полезна в контексте обработки криволинейной компоновки, поскольку она позволяет автоматически, эффективно и масштабируемо идентифицировать типы ошибок в сложных шаблонах. Модели машинного обучения можно обучить классифицировать ошибки в векторном пространстве признаков, что является идеальным руководством по классификации ошибок в криволинейных схемах. Эта возможность может быть непосредственно применена для проверки криволинейной оптической коррекции приближения (CLOPC), проверки процесса коррекции криволинейной маски (CLMPC) и проверки правил криволинейной маски (CLMRC), где быстрое и точное выявление проблем конструкции или процесса имеет решающее значение. В отличие от традиционной классификации, основанной на геометрии, использование классификации на основе машинного обучения позволяет пользователям достичь хороших коэффициентов классификации (меньше ошибок, подлежащих проверке), но при этом иметь возможность различать примеры ошибок, которые достаточно различны, чтобы их можно было разделить на категории классификации.