الگوی ماسک منحنی برای به حداکثر رساندن قابلیت لیتوگرافی

بازنشر افلاطون

دنبال: 0

ماسک ها همیشه بخشی ضروری از فرآیند لیتوگرافی در صنعت نیمه هادی ها بوده اند. با توجه به اینکه کوچک‌ترین ویژگی‌های چاپی در حال حاضر دارای طول زیر موج برای موارد DUV و EUV در لبه خونریزی هستند، الگوهای ماسک نقش مهم‌تری از همیشه بازی می‌کنند. علاوه بر این، در مورد لیتوگرافی EUV، توان عملیاتی یک نگرانی است، بنابراین کارایی پرتاب نور از ماسک به ویفر باید به حداکثر برسد.

ویژگی‌های معمولی منهتن (که نام آن از خط افق منهتن گرفته شده است) به خاطر گوشه‌های تیزشان که به طور طبیعی نور را خارج از دیافراگم عددی سیستم نوری پراکنده می‌کنند، شناخته می‌شوند. برای به حداقل رساندن چنین پراکندگی، می‌توان به فناوری لیتوگرافی معکوس (ILT) روی آورد، که به لبه‌های ویژگی منحنی روی ماسک اجازه می‌دهد تا گوشه‌های تیز را جایگزین کنند. برای ارائه ساده ترین مثال که ممکن است مفید باشد، تصویر نوری هدف (یا تصویر هوایی) را در ویفر در شکل 1 در نظر بگیرید، که از یک آرایه تماس متراکم با روشنایی چهار قطبی یا QUASAR انتظار می رود که منجر به یک الگوی تداخل 4 پرتو می شود. .

الگوی ماسک منحنی 1

شکل 1. یک تصویر تماس متراکم از روشنایی چهار قطبی یا QUASAR، که منجر به یک الگوی تداخل چهار پرتو می شود.

چهار پرتوهای تداخلی نمی توانند گوشه های تیز در ویفر ایجاد کنند، اما یک گوشه تا حدودی گرد (که از اصطلاحات سینوسی گرفته شده است) ایجاد می کنند. یک گوشه مشخصه تیز روی ماسک همان گردی را ایجاد می کند، اما نور کمتری به ویفر می رسد. بخش خوبی از نور پراکنده شده است. در صورتی که ویژگی ماسک دارای لبه منحنی با همان گردی مانند شکل 2 باشد، می توان به انتقال کارآمدتر نور به ویفر دست یافت.

ویژگی گرد E شکل 2

شکل 2. ویژگی ماسک که لبه منحنی شکل را شبیه به تصویر در ویفر نشان داده شده در شکل 1 نشان می دهد. گردی لبه در حالت ایده آل باید یکسان باشد.

مقدار نور پراکنده شده را می توان در حالت ایده آل با لبه های منحنی تا 0 به حداقل رساند. با وجود مزیت لبه‌های منحنی، ساخت ماسک‌هایی با این ویژگی‌ها دشوار بوده است، زیرا لبه‌های منحنی نیاز به ذخیره اطلاعات ماسک‌نویس بیشتری در مقایسه با ویژگی‌های منهتن دارند، که باعث کاهش توان عملیاتی سیستم از زمان پردازش اضافی می‌شود. حجم داده مورد نیاز برای نمایش اشکال منحنی می تواند مرتبه ای بیشتر از اشکال منهتن مربوطه باشد. ماسک‌نویس‌های چند پرتویی که اخیراً در دسترس قرار گرفته‌اند، افت توان را جبران می‌کنند.

ترکیب ماسک (طراحی ویژگی‌های روی ماسک) و آماده‌سازی داده‌های ماسک (تبدیل ویژگی‌های گفته شده به داده‌هایی که مستقیماً توسط ماسک‌نویس استفاده می‌شود) نیز باید به‌روزرسانی شوند تا ویژگی‌های منحنی را در خود جای دهند. سینوپسیس اخیراً نتایج ارتقاء منحنی خود را شرح داده است. دو ویژگی برجسته برای سنتز ماسک عبارتند از یادگیری ماشینی و منحنی پارامتری OPC. یادگیری ماشینی برای آموزش یک مدل یادگیری عمیق مداوم بر روی کلیپ های انتخاب شده استفاده می شود. منحنی پارامتری OPC خروجی لایه منحنی را به عنوان دنباله ای از اشکال منحنی پارامتریک نشان می دهد تا حجم داده ها را به حداقل برساند. آماده سازی داده های ماسک شامل چهار بخش است: تصحیح خطای ماسک (MEC)، تطبیق الگو، بررسی قانون ماسک (MRC)، و شکستگی. MEC قرار است خطاهای فرآیند نوشتن ماسک، مانند پراکندگی الکترون از چند لایه EUV را جبران کند. عملیات تطبیق الگوی شکل‌های منطبق را جستجو می‌کند و بدون محدودیت فقط در لبه‌های 90 درجه و 45 درجه پیچیده‌تر می‌شود. به همین ترتیب، MRC به قوانین جدیدی برای تشخیص تخلفات مربوط به اشکال منحنی نیاز دارد. در نهایت، شکستگی نه تنها باید لبه‌های منحنی را حفظ کند، بلکه از ماسک‌نویس‌های چند پرتو نیز پشتیبانی می‌کند.

Synopsys تمام این ویژگی‌ها را در سیستم پردازش داده‌های منحنی خطی تمام تراشه‌اش شامل می‌شود که به طور کامل از کاغذ سفید در اینجا توضیح داده شده است: https://www.synopsys.com/silicon/resources/whitepapers/curvilinear_mask_patterning.html.