Machine learning-guided optical proximity correction (ML-OPC) has recently been proposed to replace extremely time-consuming model-based OPC; a popular example is ML-OPC based on regression methods,which however has shown limited prediction accuracy. We propose new ML-OPC, in which a neural network classifier serves as a mask bias model. A few techniques are applied to enhance basic ML-OPC: parameterization of layout segments using polar Fourier transform basis functions, dimensionality reduction through weighted principal component analysis, and sampling of training layout segments. We also propose fast network size optimization by rudundant node pruning and incremental training to increase coverage of ML-OPC. Training segments are typically imbalanced over the range of mask biases, which causes large prediction error for segments that appear less frequently. This is resolved by synthetic data generation, class reorganization, and an adaptive learning rate. Experiments with new ML-OPC indicate that prediction error of mask bias and training time are reduced by 29% and 90%,respectively, compared to state-of-the-art ML-OPC.
머신 러닝을 이용한 광학 근접 보정 (ML-OPC)은 시간 소모가 큰 모델 기반 광학 근접 보정 (MB-OPC)을 대체하기 위해 최근 제안되었다. 알려진 ML-OPC 는 회귀 방법에 기반하지만 정확도에 한계를 보인다. 우리는 인공 신경망 분류기를 마스크 바이어스 예측 모델로 사용하는 새로운 ML-OPC 를 제안한다. 레이아웃의 세그먼트는 극 푸리에 변환을 통해 십 여개의 파라메터로 표현되고, 그 숫자는 주 성분 분석 (PCA)에 의해 줄어든다. 또한 학습 레이아웃 세그먼트를 샘플링하여 학습에 직접 사용한다. 제안한 ML-OPC 의 인공 신경망의 구조는 불필요한 노드 제거 방법에 의해 빠르게 결정되고, ML-OPC 의 커버리지를 빠르게 확장하기 위해 점진적 학습방법도 적용한다. 학습 세그먼트의 마스크 바이어스의 빈도는 불균형적이다 : 적게 등장하는 마스크 바이어스에 대해서는 큰 오차를 발생시킨다. 이 문제는 인공 데이터 생성, 분류 재조직, 적응적 학습률을 각각 적용하여 해결한다. 제안한 ML-OPC 는 최신 ML-OPC 와 비교하여 정확도와 학습 시간면에서 각각 29% 와 90% 개선을 보였다.