AI in EE

AI IN DIVISIONS

AI in Circuit Division

AI in EE

AI IN DIVISIONS

AI in Circuit Division ​

AI in Circuit Division

Yonghwi Kwon and Youngsoo Shin, “Optimization of accurate resist kernels through convolutional neural network," Proc. SPIE Advanced Lithography, Feb. 2021

빠르고 정확한 리소그래피 시뮬레이션 모델은 OPC 리소그래피 검증 등에 필수적이다. 이러한 리소그래피 모델은 웨이퍼에 가해지는 빛의 세기를 계산하는 optical 모델과 이를 이용하여 PR 모양을 결정하는 resist 모델로 이루어져 있다. Resist 모델의 경우 빛의 세기를 map으로 나타낸 이미지와 Gaussian kernel들의 convolution 결과를 weighted sum , 이를 특정 threshold 비교하여 PR 현상 여부를 결정하는 방식이다. Gaussian 같은 단순한 모양의 kernel 이용하기 때문에 정확한 시뮬레이션 결과를 얻기 위해서는 많은 수의 kernel 필요하고 이에 따라 많은 연산이 필요하게 된다. Resist 모델의 연산 방식이 CNN 유사한 것에 착안하여 resist 모델을 CNN으로 나타내고, free-form 가지는 resist kernel들을 CNN 학습시킴으로써 최적화하였다. 기존에 9개의 Gaussian resist kernel 사용하던 모델을 2개의 free-form kernel 대체하였고, 이를 통해 35% 빠른 리소그래피 시뮬레이션 속도와 함께 모델 정확도가 15% 향상되었다.

 

Copyright ⓒ 2015 KAIST Electrical Engineering. All rights reserved. Made by PRESSCAT

Copyright ⓒ 2015 KAIST Electrical Engineering. All rights reserved. Made by PRESSCAT

34141 대전광역시 유성구 대학로 291
한국과학기술원(KAIST)
Tel. 042-350-3411   Fax. 042-350-3410

Copyright ⓒ 2015 KAIST Electrical
Engineering. All rights reserved.
Made by PRESSCAT