MorphOPC: マルチスケール階層的形態学習によるマスク最適化の進展
特徴サイズがナノメートルスケールに縮小するにつれ、フォトマスクからシリコンウェハへの回路パターンの正確な転写がますます困難になっています。光近接効果補正（OPC）はパターンの忠実性と製造性を確保するために使用されます。近年の生成型マスク最適化モデルは幾何学的変換を捉えきれず、品質が劣ることがあります。本研究では、MorphOPCを提案します。これは、神経形態モジュールを備えたマルチスケール階層モデルです。実験により、MorphOPCは最先端手法を上回り、より高い印刷忠実性と低い製造コストを達成します。
半導体製造プロセスがナノメートルスケールに進むにつれ、フォトマスクからシリコンウェハへの回路パターンの正確な転写はますます困難になっています。光近接効果補正（OPC）は、パターンの忠実性と製造性を確保するために広く使われています。しかし、従来の物理モデルベースのOPC手法は計算コストが高く、近年のエンコーダ・デコーダアーキテクチャに基づく生成型マスク最適化モデルは高速な機械学習代替として機能しますが、ターゲットレイアウトからマスクパターンへの幾何学的変換を適切に捉えられず、最適とは言えない品質に留まることがあります。この問題に対し、Yuting HuらはMorphOPCを提案しました。これは、マルチスケール階層構造と神経形態モジュールを備えた革新的なモデルで、マスク生成を局所レイアウト特徴に対する一連の形態演算として再定義し、これらの変換を学習します。MorphOPCは、異なるスケールで形態演算を適用することで、光リソグラフィプロセスにおける光近接効果をより正確にシミュレートします。研究チームは、金属層とビア層を対象としたエッジOPCおよび逆光リソグラフィ技術（ILT）ベンチマークでMorphOPCを評価しました。実験結果は、印刷忠実性と製造コストの両方でMorphOPCが一貫して最先端手法を上回ることを示しています。このモデルは、パターン転写精度を向上させるだけでなく、全体的な製造コストも削減し、スケーラブルなマスク最適化における強力な可能性を示しています。本研究は、半導体製造におけるマスク最適化に新たな道を開き、先進的なプロセスノードのさらなる発展に貢献することが期待されます。関連論文は「MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning」としてarXivプレプリントで公開されています。