Sub-resolution assist feature (SRAF) is a mask pattern nearby main feature to promote pattern fidelity of main feature but should not be printed on wafer. SRAFs are sometimes unintentionally printed and the printed SRAFs are critical defects in semiconductor manufacturing. To prevent the accident, the SRAF printabiltiy check is essential before mask tapeout. A conventional SRAF printability check method has large false alarm error because the method does not consider surrounding mask patterns, which effects on SRAF printability. Another conventional SRAF printability check is accurate but time-consuming so it is used only in small layout. We propose new SRAF printability check using machine learning and achieve 12%false alarm error and 69% runtime reduction.
본 연구에서는 해상도 이하 보조형상이 기판에 인쇄되는지 여부를 기계학습을 이용하여 예측하는 방법을 제안한다. 해상도 이하 보조형상들은 회로의 형상인 주형상의 인쇄를 돕기 위해 광차단막에 추가되는 형상이지만, 기판에 인쇄될 경우 회로 특성을 변화시키기 때문에 심각한 생산성 저하 요인이 될 수 있다. 사전에 이러한 문제를 방지하기 위해, 노광공정을 진행하기 전 단계에서 해상도 이하 보조형상의 인쇄가능성을 예측하는 것이 필수적이다. 기존의 해상도 이하 보조형상의 인쇄가능성을 예측하는 모델은, 모든 해상도 이하 보조형상들에 매우 보수적으로 설계된 기준을 일괄적으로 적용하는 한계점 때문에 오경보가 발생하는 빈도 수가 매우 높다. 이러한 한계점은 인쇄가능성을 판단하는 기준이, 대상이 되는 하나의 해상도 이하 보조형상의 모양뿐만아니라, 주변부에 존재하는 다른 모양들을 가진 수 많은 해상도 이하 보조형상과 주형상에 의해 영향을 받기 때문이다. 뿐만아니라, 해석적인 방법으로는 수행시간이 매우 길어 전체 회로에 대해 인쇄가능성을 예측이 어렵다. 이를 극복하기 위해, 데이터에 기반한 모델링 기법인 기계학습을 사용하여 해상도 이하 보조형상의 인쇄가능성을 예측하는 모델을 새롭게 제안하였다.
