Optical proximity correction (OPC) is necessary process for mask synthesis. We address three methods to adopt deep learning into OPC flow for faster OPC process. First, a bidirectional recurrent network (BRNN) based OPC is presented. Based on that mask correction during OPC has causality between mask biases, we map each mask bias into single instance in RNN, so that prediction can consider causality between segments. Next, we propose to optimize resist kernels using convolutional neural network (CNN).The structure of resist model and CNN are similar, we can use resist kernels as filters in CNN, so that kernels are optimized through CNN training process. As a result, we can derive complex kernel shapes, rather than function-based kernels, so that the number of convolutions in resist model is reduced and reduces the lithography simulation runtime. Finally, assist feature (AF) print fix using CNN is presented. By using gradient map from CNN, we can identify which part of AF cause AF printing and give guides to fix AF print while minimizing the effect in process window.
본 학위논문에서는 빠른 광학근접보정을 위하여 딥러닝을 적용하는 3가지 방법을 제안하였다. 먼저 순환신경망을 이용한 광학근접보정을 제안한다. 광학근접보정 과정에서 마스크의 각 세그먼트의 보정값이 서로의 보정에 영향을 준다는 점에 착안하여, 순환신경망을 통하여 서로의 보정 결과에 대한 상호작용을 구현 할 수 있는 머신러닝 모델을 적용하였다. 이어서 광학근접보정에서 사용되는 리소그래피 시뮬레이션을 빠르게 하기 위하여 포토레지스트 시뮬레이션 모델의 커널을 컨볼루션 신경망을 통해 최적화 하는 방법을 제안했다. 포토레지스트 모델의 구조가 컨볼루션 신경망과 유사한 구조를 가지므로, 기존 수식에 기반한 커널을 대신하여 이미지 형태의 커널을 사용하도록 하였고, 이는 컨볼루션 신경망의 역전파학습법을 응용하여 최적화 할 수 있다. 이를 통해 시뮬레이션에 필요한 컨볼루션의 횟수를 줄일 수 있으므로 보다 빠른 시뮬레이션이 가능해진다. 마지막으로는 어시스트 피쳐가 웨이퍼에 현상되는 것을 방지하기 위하여 컨볼루션 신경망을 기반으로 하는 어시스트 피쳐 수정방법을 제안했다. 컨볼루션 신경망을 통하여 어느부분이 어시스트 피쳐 현상에 큰 영향을 미치는지를 추정하고, 어시스트 피쳐의 메인 피쳐 해상도 향상효과에 대한 영향을 최소화하는 수정 방식을 찾아 낼 수 있다.
