曲線式遮罩對先進技術節點提供顯著的好處。主要優勢是與傳統直線形狀相比，製程視窗改進。這個較大的製程視窗可提升晶圓平版印刷效能，並使列印影像對製程變化不同的敏感度降低。已經證明曲線反光刻技術 (ILT) 結果可以產生最佳的製程視窗指標，例如最佳焦距深度 (CDoF)。總體而言，曲線口罩越來越被視為下一代遮罩技術，因為它們在提供高晶圓性能方面方面的獨特功能。

閱讀技術文件」向前彎！IC 製造準備曲線面罩「並了解有關曲線口罩的好處的更多信息。

曲線遮罩本質上具有形狀，包括銳利角度、T/Y 接點和銳利的轉彎等特徵。因此，簡單的驗證檢查通常不足。例如，與矩形形狀的主要測量與直邊的垂直方形不同，曲線形形的邊緣不斷「變更方向」。這意味著測量最小距離涉及在各種方向進行測量以找到真正的最小值。

曲線性遮罩需要補充區域檢查。最小面積檢查對曲線形狀至關重要，因為它們可以捕捉通過簡單尺寸檢查的條件，但由於遮色片模糊在小型 2D 圖徵上的強大貢獻，仍然無法列印。此外，曲線遮罩還需要其唯一的遮罩規則檢查，例如矩形遮罩不需要的最大曲率檢查。

Calibre 透過兩種方法提供曲線遮罩規則檢查 (CLMRC) 驗證。一種方法是利用 Calibre OPCVerify。Calibre opcVerify 中 CLMRC 的主要檢查範例包括檢查曲率半徑、計算最小寬度、計算深度至寬度比例、測量邊之間的距離、檢查尖峰角度以及檢查多邊形圖層上的雲形線。

另一種方法是標準 RET CLMRC。它是一組標準驗證規則格式 (SVRF) 命令，旨在對曲線遮色片執行 CLMRC 檢查。Calibre OPCVerify 中可用的所有 CLMRC 檢查都支持在標準 RET CLMRC 中。

機器學習分類的需求是因為基於幾何圖形的誤差分類（曼哈頓設計傳統）對曲線設計有限制，因為邊角相依性、高頂/邊緣計數和格點截不一致。機器學習方法會根據從錯誤位置的配置前後關聯導出來的特徵向量分類錯誤，而不僅依賴頂點和邊。主要優點是大幅減少要複查的唯一錯誤類別數量，使錯誤審查流程更易於管理。機器學習方法還允許根據邊類型（凸形，凹，直）或幾何性質（如寬度或空間）等標準進一步分類錯誤，從而提供了靈活性來微調結果。

基於機器學習的分類在曲線佈局處理的環境中特別有用，因為它可以在複雜模式中對錯誤類型進行自動、高效和可擴展的識別。可以訓練機器學習模型來對特徵向量空間中的錯誤進行分類，為曲線配置的錯誤分類提供理想的指導。此功能可直接應用於曲線光學接近校正 (CLOPC) 驗證、曲線遮罩製程校正 (CLMPC) 驗證和曲線遮罩規則檢查 (CLMRC)，這些功能可以快速準確地識別設計或製程問題至關重要。與傳統基於幾何的分類不同，通過使用基於機器學習的分類，使用者將實現良好的分類比（要檢閱的錯誤更少），同時仍能區分足夠不同的錯誤範例，以便在分類類別中進行分隔。