Model-based optical proximity correction (MB-OPC) consists of fragmentation, which decomposes each polygon into a number of line segments, followed by iterative segment correction and lithography simulation. A core of MB-OPC is a PID controller, which determines mask bias value through a feedback loop. The coefficients for P, I, and D terms are usually determined in heuristic fashion, and do not change over segments and over iterations. We apply reinforcement learning (RL) to adaptively adjust such coefficients, in an effort to better determine mask bias value and to converge into the final OPC solution quickly. RL is designed to define a state, action, and reward; it receives segment features and outputs the coefficient for P, I, and D terms, which are then used to extract a mask bias value. Experimental results show that the proposed MB-OPC with RL is about 2.8 times faster with 24% smaller maximum EPE, compared to standard MB-OPC.
모델 기반 광학 근접 보정은 각 폴리곤을 다수의 세그먼트로 분해한 후 반복적인 세그먼트 보정 및 리소그래피 시뮬레이션으로 구성된다. 모델 기반 광학 근접 보정의 핵심은 피드백 루프를 통해 마스크 바이어스 값을 결정하는 PID 제어기이다. P, I 및 D 항의 계수는 일반적으로 경험적 접근 방식으로 결정되며 세그먼트와 반복에 따라 같은 값을 사용한다. 본 논문에서는 세그먼트 및 보정 반복마다 서로 다른 계수 지정을 위해 강화 학습을 도입하여 마스크 바이어스 값을 알맞게 결정하도록 한다. 강화학습은 상태, 동작 및 보상을 정의하여 설계된다. 머신러닝 모델은 세그먼트 피쳐을 받아서 P, I 및 D 항에 대한 계수를 예측하고, 이는 마스크 바이어스를 업데이트하는 데 사용된다. 제안된 광학 근접 보정은 기존 모델 기반 광학 근접 보정 방법에 비해 약 24% 낮은 최대 엣지 배치 오류를 선보이면서 약 2.8배 더 빠른 수행시간을 갖는다.