曲线掩码为先进的技术节点提供了显著的优势。与传统的直线形状相比，主要优势是改进了工艺窗口。这种更大的工艺窗口增强了晶圆光刻性能，并使打印图像对工艺变化的敏感度降低。事实证明，曲线反向光刻技术 (ILT) 的结果可以产生最佳的工艺窗口指标，例如最佳焦深 (CDoF)。总体而言，曲线掩模由于其在提供高晶圆性能方面的独特能力，越来越多地被视为下一代掩模技术。

阅读技术论文”向前弯曲！集成电路制造为曲线掩模做准备“并进一步了解曲线口罩的好处。

曲线蒙版固有的形状包括锐角、T/Y 交汇点和急转弯等特征。因此，简单的验证检查通常是不够的。例如，与主要垂直于直边测量的矩形形状不同，曲线形状的边缘会不断地 “改变方向”。这意味着测量最小距离涉及在不同方向上进行测量以找到真正的最小值。

曲线口罩需要补充区域检查。最小面积检查对于曲线形状至关重要，因为它们可以捕捉通过简单尺寸检查的条件，但由于遮罩模糊对小型 2D 要素的影响很大，因此仍无法打印。此外，曲线蒙版需要对其特有的掩膜规则检查，例如矩形蒙版不需要的最大曲率检查。

Calibre 通过两种方法提供曲线掩码规则检查 (CLMRC) 验证。一种方法是利用Calibre Calibre OPCVerify。在 Calibre OPCVerify 中对 CLMRC 进行主要检查的示例包括检查曲率半径、计算最小宽度、计算深度宽度比、测量边缘之间的距离、检查尖峰角度和检查多边层上的样条曲线。

另一种方法是 Calibre RET CLMRC。它是一组标准验证规则格式 (SVRF) 命令，旨在对曲线掩模执行 CLMRC 检查。Calibre RET CLMRC 支持 Calibre OPCVerify 中提供的所有CLMRC支票。

之所以需要进行机器学习分类，是因为基于几何的误差分类（曼哈顿设计的传统方式）由于边缘角度依赖性、较大的顶点/边数和网格捕捉不一致而对曲线设计有局限性。机器学习方法根据错误位置的布局上下文导出的特征向量对错误进行分类，而不是仅仅依赖顶点和边。关键好处是显著减少了需要审查的独特错误类别的数量，从而使错误审查过程更易于管理。机器学习方法还允许根据边缘类型（凸面、凹面、直线）或宽度或空间等几何特性等标准对错误进行进一步的子分类，从而为微调结果提供了灵活性。

基于机器学习的分类在曲线布局处理的背景下特别有用，因为它可以自动、高效和可扩展地识别复杂模式中的错误类型。可以训练机器学习模型以对特征向量空间中的错误进行分类，从而为曲线布局的错误分类提供理想的指导。此功能可以直接应用于曲线光学近距离校正 (CLOPC) 验证、曲线掩模过程校正 (CLMPC) 验证和曲线掩模规则检查 (CLMRC)，在这些方面，快速准确地识别设计或工艺问题至关重要。与传统的基于几何的分类不同，通过使用基于机器学习的分类，用户将获得良好的分类比率（减少需要审查的错误），同时仍然能够区分差异足够大，需要在分类类别中进行分离的错误示例。