JP2010044101A

JP2010044101A - パターン予測方法、プログラム及び装置

Info

Publication number: JP2010044101A
Application number: JP2008206005A
Authority: JP
Inventors: Fumiharu Nakajima; 史晴中嶌; Toshiya Kotani; 敏也小谷; Hiromitsu Mashita; 浩充間下; Chikaaki Kodama; 親亮児玉
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2008-08-08
Filing date: 2008-08-08
Publication date: 2010-02-25
Also published as: US20100035168A1

Abstract

【課題】プロセスのばらつきを考慮したパターンの形状を高精度に予測することができるパターン予測方法、プログラム及び装置を提供する。
【解決手段】このパターン予測方法は、第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求める第１のステップと、第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求める第２のステップとを含む。
【選択図】図１

Description

本発明は、パターン予測方法、プログラム及び装置に関する。

近年、半導体装置におけるパターンの微細化に伴い、リソグラフィプロセスで生じる寸法変動を、マスクパターンを補正することにより抑制するＯＰＣ（ＯｐｔｉｃａｌＰｒｏｘｉｍｉｔｒｙＣｏｒｒｅｃｔｉｏｎ）技術や、マスクプロセス、リソグラフィプロセス及びエッチングプロセスで生じる寸法変動を、マスクパターンを補正することにより抑制するＰＰＣ（ＰｒｏｃｅｓｓＰｒｏｘｉｍｉｔｒｙＣｏｒｒｅｃｔｉｏｎ）技術が提案されている（例えば、特許文献１参照）。

しかし、上記ＯＰＣ技術や上記ＰＰＣ技術では、プロセス条件のばらつきを考慮してマスクパターンの寸法を高精度に求めることは難しい。

特開平０９−３１９０６７号公報

本発明の目的は、プロセス条件のばらつきを考慮したパターンの形状を高精度に予測することができるパターン予測方法、プログラム及び装置を提供することにある。

本発明の一態様は、上記目的を達成するため、第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求める第１のステップと、第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求める第２のステップとを含むことを特徴とするパターン予測方法を提供する。

本発明の他の態様は、上記目的を達成するため、第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求め、第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求めるニューラルネットワーク処理部を備えたことを特徴とするパターン予測装置を提供する。

本発明によれば、プロセス条件のばらつきを考慮したパターンの形状を高精度に予測することができる。

［実施の形態］
図１は、本発明の実施の形態に係るパターン予測装置の概略の構成を示すブロック図である。

このパターン予測装置１は、マスク寸法データ記憶部２、ウェハ寸法データ記憶部３、ターゲット寸法データ算出部４、データセット生成部５、ニューラルネットワーク処理部６及び制御部７を有して構成されている。

マスク寸法データ記憶部２には、形状が異なる複数（例えばＮ個）のマスクパターン（第１のパターン）の寸法データ（形状データ）Ｗｍが記憶されている。マスクパターンの寸法データは、ここでは、実際のマスクパターンを計測して得られた寸法データであるが、マスク設計データ上の寸法データでもよい。

ここで、「形状データ」とは、パターンの形状に関するデータであり、例えば、パターンの寸法、パターン間の距離、パターンピッチ、パターンの輪郭、被覆率、透過率のうち少なくとも１つ以上を含む。本実施の形態では、形状データとしてパターンの幅寸法を用いる。

ウェハ寸法データ記憶部３には、上記Ｎ個のマスクパターンを所定のプロセス条件で基板上に転写して形成したＮ個のウェハパターン（第２のパターン）２０Ａ_−１〜２０Ａ_−Ｎを計測して取得した寸法データＷｗａと、上記Ｎ個のマスクパターンを所定のプロセス条件とは異なるプロセス条件で基板上に転写して形成したＭ個のウェハパターン（第３のパターン）２０Ｂ_−１〜２０Ｂ_−Ｍを計測して取得した寸法データＷｗｂが記憶されている。なお、第１のパターンは、実際のマスクパターンに限られない。

ここで、「第２のパターン」とは、第１のパターンを所定のプロセス条件で基板上に転写して形成したパターンをいう。「第３のパターン」とは、第１のパターンを所定のプロセス条件とは異なる条件で基板上に転写して形成したパターンをいう。なお、第２及び第３のパターンは、ウェハパターンに限られない。「第２のパターン」、「第３のパターン」は、第１のパターンに基づき、シミュレーションにより予測されるパターンをも含む。

「プロセス条件」とは、第１のパターンから第２のパターンを形成するプロセス（マスクプロセス、リソグラフィプロセス又はエッチングプロセス）に応じた条件であり、例えば、電子線描画装置の電子線強度等、露光装置の照明形状、照明強度、偏光度、収差量、瞳透過率分布、フォーカス（Ｆｏｃｕｓ）値、照射量（Ｄｏｓｅ）等、レジストの材質、レジスト膜の膜厚、レジスト中の酸の拡散長、現像、エッチング（濃度、温度、時間等）、成膜プロセスにおける成膜条件、スリミングプロセスにおけるスリミング条件等をいう。「所定のプロセス条件」とは、基準となるプロセス条件をいい、設計値でもよい。

ターゲット寸法データ算出部４は、本実施の形態では、ウェハパターン２０Ａ_−１〜２０Ａ_−Ｎの寸法データＷｗａと、ウェハパターン２０Ｂ_−１〜２０Ｂ_−Ｍの寸法データＷｗｂに基づいて、例えば、一般的なターゲット算出方法を用いてウェハターゲットパターンの寸法データＷｗｍを算出する。ターゲット算出方法については後述する。

ここで、「ターゲットパターン」とは、第２のパターンの形状データがプロセス条件のばらつきの範囲に入るように算出した、第２のパターンの目標となるパターンをいう。

ニューラルネットワーク処理部６は、第１のニューラルネットワーク（以下「第１のＮＮ」と略す。）６０Ａと、第２のニューラルネットワーク（以下「第２のＮＮ」と略す。）６０Ｂとを備える。

第１のＮＮ６０Ａは、所望のウェハパターン（設計パターン）の寸法データＷｄからウェハターゲットパターンの寸法データＷｗｍ２を算出する。

第２のＮＮ６０Ｂは、第１のＮＮ６０Ａによって得られたウェハターゲットパターンの寸法データＷｗｍ２からマスクパターンの寸法データＷｍ２を算出する。

データセット生成部５は、第１のＮＮ６０Ａを学習させるための第１のデータセット（Ｗｗａ、Ｗｗｍ）と、第２のＮＮ６０Ｂを学習させるための第２のデータセット（Ｗｗａ、Ｗｍ）を生成する。

制御部７は、本実施の形態では、第１及び第２のＮＮ６０Ａ，６０Ｂを学習させて第１及び第２のＮＮ６０Ａ，６０Ｂを構築する学習モードと、学習モードを実行した後に第１及び第２のＮＮ６０Ａ，６０Ｂを運用してマスクパターンの形状を予測する運用モードとを有し、学習モード及び運用モードに応じて本装置１の各部を制御する。

上記のターゲット寸法データ算出部４、データセット生成部５、ニューラルネットワーク処理部６及び制御部７は、ＣＰＵと、後述する図３Ａ，図３Ｂに示すようなＣＰＵのプログラムや、各種のデータを記憶するメモリとを用いて構成することができる。なお、ターゲット寸法データ算出部４、データセット生成部５、ニューラルネットワーク処理部６及び制御部７は、これらの一部又は全部を特定用途向け集積回路（ＡＳＩＣ：Application Specific IＣ）等のハードウェアを用いて構成してもよい。

図２（ａ）は、第１のＮＮ６０Ａの構成を示し、図２（ｂ）は、第２のＮＮ６０Ｂの構成を示す図である。第１及び第２のＮＮ６０Ａ，６０Ｂは、複数の入力ノード６１ａからなる入力層６１と、各入力ノード６１ａとアーク６４を介してネットワークで結合された複数の中間ノード６２ａからなる中間層６２と、各中間ノード６２ａとアーク６５を介してネットワークで結合された一対の出力ノード６３ａからなる出力層６３とから構成されている。

各アーク６４，６５には、学習モードの実行により各ノード６１ａ，６２ａ，６３ａ間の結合の強さを示す荷重値が設定される。

第１のＮＮ６０Ａは、本実施の形態では、運用モードの実行時に、各入力ノード６１ａに、所望のウェハパターン（設計パターン）を構成する各部の寸法データがそれぞれ入力され、出力ノード６３ａから、ウェハターゲットパターンを構成する各部の寸法データが出力される。

第２のＮＮ６０Ｂは、本実施の形態では、運用モードの実行時に、各入力ノード６１ａに、ウェハターゲットパターンを構成する各部の寸法データがそれぞれ入力され、出力ノード６３ａから、マスクパターンを構成する各部の寸法データが出力される。

（マスクパターンの予測方法）
次に、図１に示すパターン予測装置１を用いたマスクパターンの予測方法を、図３〜図１２を参照して説明する。

図３Ａ、図３Ｂは、マスクパターンの予測方法を説明するフローチャートである。

図４は、半導体装置としてのＮＡＮＤ型フラッシュメモリにおける回路パターンの要部を示す図である。ＮＡＮＤ型フラッシュメモリは、一対の選択トランジスタの間に直列接続された複数（例えば、１６個）のメモリセルを配置したＮＡＮＤセルユニットを、図２において横方向に配列して構成されている。なお、複数のＮＡＮＤセルユニットを図２において縦方向に配列してもよく、マトリクス状に配列してもよい。

回路パターン１００の１つのＮＡＮＤセルユニットは、一対の選択トランジスタのゲートに接続された一対の選択ゲート線１０１と、１６個のメモリセルの制御ゲートに接続され、幅が選択ゲート線１０１の幅よりも狭い１６個のワード線１０２とを含む。

図５は、ウェハ上に図４に示す回路パターン１００を形成するためのマスクパターンの一例を示す図である。マスクパターン１０の１つのＮＡＮＤセルユニットに対応する部分は、一対の選択ゲート線１０１を形成するための一対の選択ゲート線パターン部１１と、１６本のワード線１０２を形成するための１６本のワード線パターン部１２とを含む。

まず、制御部７は、ターゲット寸法データ算出部４、データセット生成部５及びニューラルネットワーク処理部６を学習モードで動作させる。

（１）寸法データＷｍの取得
図６（ａ）、（ｂ）は、形状が異なる２つのマスクパターンの一例を模式的に示す図である。マスク寸法データ記憶部２には、選択ゲート線パターン部１１及びワード線パターン部１２の幅と、パターン部１１，１２間（スペース）の幅を振った場合の寸法データが取得され、記憶されている（Ｓ１）。すなわち、形状が異なる複数（例えば、Ｎ個）のマスクパターン１０_−１〜１０_−Ｎについて、左右方向の対称性を考慮して、左側又は右側の１つの選択ゲート線パターン部１１の幅の寸法データＷｍ_ＳＧと、１６本のワード線パターン部１２の幅の寸法データ（Ｗｍ_ＷＬ１〜Ｗｍ_ＷＬ１６）が記憶されている。なお、周辺のパターンが影響しない中央部分（例えば、中央の８本又は１０本程度）を除外して寸法データをマスク寸法データ記憶部２に記憶してもよい。

なお、図５ではパターン部の幅、及びパターン部間（スペース）の幅のみを振っているが、その他のマスク配置の特徴量である、ピッチ、透過率、被服率であってもよい。

（２）寸法データＷｗａの取得
図７（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。図８（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件とは異なるプロセス条件(1)で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。図９（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件とは異なるプロセス条件(2)で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。

マスク寸法データ記憶部２に記憶されている形状が異なるＮ個のマスクパターンを、上記所定のプロセス条件、プロセス条件(1)、プロセス条件(2)、・・・で実際に基板上に転写してウェハパターンを形成する。

所定のプロセス条件で形成したウェハパターン２０Ａ_−１、２０Ａ_−２は、図７（ａ）、（ｂ）に示すように、選択ゲート線パターン部２１と、ワード線パターン部２２とを含む。選択ゲート線パターン部２１の幅の寸法データＷｗａ_ＳＧと、ワード線パターン部２２の幅の寸法データＷｗａ_ＷＬ１〜Ｗｗａ_ＷＬ１６を測定してウェハ寸法データ記憶部３に記憶する（Ｓ２）。

（３）寸法データＷｗｂの取得
プロセス条件(1)で形成したウェハパターン２０Ｂ_−１、２０Ｂ_−２は、図８（ａ）、（ｂ）に示すように、選択ゲート線パターン部２１と、ワード線パターン部２２とを含む。１つの選択ゲート線パターン部２１の幅の寸法データＷｗｂ_ＳＧと、１６本のワード線パターン部２２の幅の寸法データＷｗｂ_ＷＬ１〜Ｗｗｂ_ＷＬ１６を測定してウェハ寸法データ記憶部３に記憶する（Ｓ３）。

プロセス条件(2)で形成したウェハパターン２０Ｂ_ー１、２０Ｂ_ー２は、図９（ａ）、（ｂ）に示すように、選択ゲート線パターン部２１と、ワード線パターン部２２とを含む。１つの選択ゲート線パターン部２１の幅の寸法データＷｗｂ_ＳＧと、１６本のワード線パターン部２２の幅の寸法データＷｗｂ_ＷＬ１〜Ｗｗｂ_ＷＬ１６を測定してウェハ寸法データ記憶部３に記憶する。以上の処理を所定のプロセス条件とは異なる他のプロセス条件(3)・・・で実際に基板上に転写して形成したウェハパターンについても、同様に幅の寸法データを測定してウェハ寸法データ記憶部３に記憶する。これを他のマスクパターン１０_−３〜１０_−Ｎについても行う。

（４）ウェハターゲットパターンの寸法データＷｗｍの算出
ターゲット寸法データ算出部４は、所定のプロセス条件の下で形成されたウェハパターンの寸法データＷｗａと、所定のプロセス条件と異なるプロセス条件で形成されたウェハパターンの寸法データＷｗｂとに基づいて、プロセス条件がばらついてもウェハパターンの形状（寸法）が許容値に入る、プロセス裕度がほぼ最大のウェハターゲットパターンの寸法データＷｗｍを算出する（Ｓ４）。ウェハターゲットパターンの寸法データＷｗｍの算出方法は、例えば、一般的なターゲット算出手法を用いることができる。

図１０は、ウェハ寸法Ｗｍｍの算出方法の一例を説明するための図である。なお、同図では、横軸を１マス０．０５μｍとしたフォーカス値を表し、縦軸を１マス０．５ｍＪとした露光量を表す。所定のプロセス条件をフォーカス値０．１μｍ、照射量１５ｍＪとし、マスクパターンの所定の幅寸法（例えば寸法１０５ｎｍ）を所定のプロセス条件で実際にウェハ上に転写して形成したウェハパターンの幅寸法Ｗｗａ（９０ｎｍ）を得たとする。また、マスクパターンをフォーカス値と照射量を変化させたプロセス条件で実際にウェハ上に転写して形成したウェハパターンの幅寸法Ｗｗｂ（６７〜１０４ｎｍ）を得たとする。許容値が設計パターン寸法（９０ｎｍ）の±１０％としたとすると、８１ｎｍ〜９９ｎｍが許容範囲（太線の枠内）３０となる。同図の場合、許容範囲３０がフォーカス値が中央値から外れた領域で露光量の大きい方に変形していることから、目標のウェハパターン（ウェハターゲットパターン）の幅寸法を設計パターン寸法９０ｎｍから許容範囲３０の変形した側にずらした値（例えば、９２ｎｍ又は９４ｎｍ）とする。より具体的には、フォーカス値と露光量のうち変化量の大きい方のフォーカス値を長軸とし、小さい方の露光量を短軸とした楕円３１を許容範囲３０に内接するように設定し、この楕円３１のほぼ中心の幅寸法９４ｎｍを求める。この幅寸法９４ｎｍは、ウェハターゲットパターンの幅寸法となる。すなわち、ウェハパターンの当初の幅寸法９０ｎｍでは、プロセス条件のばらつきにより許容範囲３０から外れる場合があるが、幅寸法９４ｎｍとすることにより、プロセス条件にある程度のばらつきがあっても楕円３１の許容範囲内に収まる。なお、楕円３１は、必要に応じて変化量の小さい方（露光量）を長軸、変化量の大きい方（フォーカス値）を短軸としてもよい。また、楕円の他に、矩形等の他の形状のものを用いてもよい。

（５）データセットの生成
データセット生成部５は、マスク寸法データ記憶部２から寸法データＷｍを取り込み、ウェハ寸法データ記憶部３から寸法データＷｗａを取り込み、ターゲット寸法データ算出部４から寸法データＷｗｍを取得し、第１のＮＮ６０Ａを学習させるための第１のデータセット（Ｗｗａ、Ｗｗｍ）と、第２のＮＮ６０Ｂを学習させるための第２のデータセット（Ｗｗｍ、Ｗｍ）を生成する（Ｓ５）。

（６）第１及び第２のＮＮの学習
図１１（ａ）は、第１のＮＮ６０Ａの学習を説明するための図、図１１（ｂ）は、第２のＮＮ６０Ｂの学習を説明するための図である。

データセット生成部５は、図１１（ａ）に示すように、生成した第１のデータセット（ＷＷｗａ、Ｗｗｍ）のうち、一方の寸法データＷｗａ（Ｗｗａ_ＳＧ、Ｗｗａ_ＷＬ１〜Ｗｗａ_ＷＬ１６）を第１のＮＮ６０Ａの９つの入力ノード６１ａにそれぞれ入力し、他方の寸法データＷｗｍ（Ｗｗｍ_ＳＧ、Ｗｗｍ_ＷＬ１〜Ｗｗｍ_ＷＬ１６）を第１のＮＮ６０Ａの９つの出力ノード６３ａにそれぞれ入力して第１のＮＮ６０Ａを学習させる。

また、データセット生成部５は、図１１（ｂ）に示すように、生成した第２のデータセット（Ｗｗａ，Ｗｍ）のうち、一方の寸法データＷｗａ（Ｗｗａ_ＳＧ、Ｗｗａ_ＷＬ１〜Ｗｗａ_ＷＬ１６）を第２のＮＮ６０Ｂの９つの入力ノード６１ａにそれぞれ入力し、他方の寸法データＷｍ（Ｗｍ_ＳＧ、Ｗｍ_ＷＬ１〜Ｗｍ_ＷＬ１６）を第２のＮＮ６０Ｂの９つの出力ノード６３ａにそれぞれ入力して第２のＮＮ６０Ｂを学習させる。

第１のＮＮ６０Ａは、入力層６１に寸法データＷｗａが入力されたときに出力層６３から寸法データＷｗｍが出力されるように、中間層６２の荷重値を設定する。第２のＮＮ６０Ｂは、入力層６１に寸法Ｗｗａが入力されたときに出力層６３から寸法データＷｍが出力されるように、中間層６２の荷重値を設定する。

（７）最適マスク寸法の予測
図１２（ａ）は、第１のＮＮ６０Ａの動作を説明するための図、図１２（ｂ）は、第２のＮＮ６０Ｂの動作を説明するための図である。制御部７は、ニューラルネットワーク処理部６を運用モードで動作させる。

図１２（ａ）に示すように、第１のＮＮ６０Ａの入力層６１に所望の設計パターンの寸法データＷｄ（Ｗｄ_ＳＧ、Ｗｄ_ＷＬ１〜Ｗｄ_ＷＬ１６）を第１のＮＮ６０Ａの９つの入力ノード６１ａにそれぞれ入力する。第１のＮＮ６０Ａの９つの出力ノード６３ａからウェハターゲットパターンの寸法データＷｗｍ２（Ｗｗｍ_ＳＧ、Ｗｗｍ_ＷＬ１〜Ｗｗｍ_ＷＬ１６）が出力される。

次に、図１２（ｂ）に示すように、第１のＮＮ６０Ａの出力層６３から出力されたウェハターゲットパターンの寸法データＷｗｍ２（Ｗｗｍ_ＳＧ、Ｗｗｍ_ＷＬ１〜Ｗｗｍ_ＷＬ１６）を第２のＮＮ６０Ｂの入力ノード６１ａにそれぞれ入力する。第２のＮＮ６０Ｂの出力ノード６３ａから所定のプロセス条件でウェハターゲットパターンを形成するためのマスクパターンの寸法データＷｍ２（Ｗｍ_ＳＧ、Ｗｍ_ＷＬ１〜Ｗｍ_ＷＬ１６）が出力される。

（実施の形態の効果）
本実施の形態によれば、以下の効果を奏する。
（１）プロセス条件のばらつきの範囲に入るようにウェハターゲットパターンの寸法を求めた後、ウェハターゲットパターンを形成するためのマスクパターンの寸法を求めているので、プロセス条件のばらつきを考慮したマスクパターンの寸法を予測することができる。
（２）ニューラルネットワークを用いているので、マスクパターンの寸法を高精度に予測することができる。
（３）第１のデータセットの方が第２のデータセットよりも簡易な関数で表すことができる（予測し易い）ため、第１のデータセットで第１のＮＮを学習させ、第２のデータセットで第２のＮＮを学習させることにより、１つのＮＮを用いた場合と比較してデータ量を低減することができる。

［変形例］
本実施の形態では、「第１のパターン」をマスクパターンとし、「第２のパターン」をウェハパターンとしたが、この変形例１は、「第１のパターン」をマスクパターンとし、「第２のパターン」をレジストパターンとしたものである。なお、変形例１に係るパターン予測装置１は、基本的に図１と同様であるので、図示を省略して説明する。

ターゲット寸法データ算出部４は、所定のプロセス条件でレジスト上に転写して形成されたＮ個のレジストパターンの寸法データＷｒａと、所定のプロセス条件とは異なるプロセス条件でレジスト上に転写して形成されたＭ個のレジストパターンの寸法データＷｒｂに基づいて、例えば、一般的なマージン解析手段を用いてレジストターゲットパターンの寸法データＷｒｍを算出する。

データセット生成部５は、第１のデータセット（Ｗｒａ，Ｗｒｍ）と、第２のデータセット（Ｗｒａ，Ｗｍ）とを生成し、学習モード時に第１のＮＮ６０Ａの入力層６１に寸法データＷｒａ、出力層６３に寸法データＷｒｍを入力し、第２のＮＮ６０Ｂの入力層６１に寸法データＷｒａ、出力層６３に寸法データＷｍを入力する。なお、Ｗｍは、実施の形態と同様にマスクパターンの寸法データである。

運用モード時に第１のＮＮ６０Ａの入力層６１に所望のレジストパターンの寸法データを入力すると、出力層６３からレジストターゲットパターンの寸法データが出力され、そのレジストターゲットパターンの寸法データが第２のＮＮ６０Ｂの入力層６１に入力し、出力層６３からマスクパターンの寸法データＷｍ２が得られる。

この変形例によれば、所望のレジストパターンから、プロセス条件のばらつきを考慮したマスクパターンの寸法を予測することができる。

なお、本発明は、上記実施の形態、及び上記変形例に限定されず、その発明の趣旨を逸脱しない範囲内で種々変形実施が可能である。

例えば、上記実施の形態又は上記変形例と同様に、実際のマスクパターンの寸法を予測した後、予測した実際のマスクパターンの寸法から第３のニューラルネットワークを用いてマスク設計データ上の寸法を予測してもよい。この場合、実際のマスクパターンの寸法からマスク設計データ上の寸法を予測するに際し、マスクプロセスの裕度を考慮してしてもよいし、考慮しなくてもよい。

また、所望の設計パターンの寸法から第３のニューラルネットワークを用いて所望のレジストパターンの寸法を予測し、後は上記変形例と同様にマスクパターンを予測してもよい。この場合、所望の設計パターンの寸法から所望のレジストパターンの寸法を予測するに際し、エッチングプロセスの裕度を考慮してしてもよいし、考慮しなくてもよい。

また、マスクを用いない電子線直接描画方式によってウェハ上にレジストパターンを形成してもよい。

上記実施の形態、変形例で使用されるプログラムは、ＣＤ−ＲＯＭ等の記録媒体から装置のメモリに読み込んでもよく、インターネット等のネットワークに接続されているサーバ等から装置のメモリにダウンロードしてもよい。

図１は、本発明の実施の形態に係るパターン予測装置の概略の構成を示すブロック図である。図２（ａ）は、第１のＮＮの構成を示し、図２（ｂ）は、第２のＮＮの構成を示す図である。図３Ａは、マスクパターンの予測方法を説明するフローチャートである。図３Ｂは、マスクパターンの予測方法を説明するフローチャートである。図４は、半導体装置としてのＮＡＮＤ型フラッシュメモリにおける回路パターンの要部を示す図である。図５は、ウェハ上に図４に示す回路パターンを形成するためのマスクパターンの一例を示す図である。図６（ａ）、（ｂ）は、形状が異なる２つのマスクパターンの一例を模式的に示す図である。図７（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。図８（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件とは異なるプロセス条件(1)で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。図９（ａ）、（ｂ）は、図６（ａ）、（ｂ）に示すマスクパターン１０_−１、１０_−２を所定のプロセス条件とは異なるプロセス条件(2)で実際に基板上に転写して形成したウェハパターンの一例を模式的に示す図である。図１０は、ウェハ寸法Ｗｍｍの算出方法の一例を説明するための図である。図１１（ａ）は、第１のＮＮの学習を説明するための図、図１１（ｂ）は、第２のＮＮの学習を説明するための図である。図１２（ａ）は、第１のＮＮの動作を説明するための図、図１２（ｂ）は、第２のＮＮの動作を説明するための図である。

符号の説明

１パターン予測装置、２マスク寸法データ記憶部、３ウェハ寸法データ記憶部、４ターゲット寸法データ算出部、５データセット生成部、６ニューラルネットワーク処理部、７制御部、１０マスクパターン、１１選択ゲート線パターン部、１２ワード線パターン部、２０Ａ，２０Ｂウェハパターン、２１選択ゲート線パターン部、２２ワード線パターン部、６１入力層、６１ａ入力ノード、６２中間層、６２ａ中間ノード、６３出力層、６３ａ出力ノード、６４，６５アーク、１００回路パターン、１０１選択ゲート線、１０２ワード線

Claims

第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求める第１のステップと、
第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求める第２のステップとを含むことを特徴とするパターン予測方法。
前記第１のステップは、形状が異なる複数の前記第１のパターンを前記所定のプロセス条件で転写して形成された複数の前記第２のパターンの形状データを前記第１のニューラルネットワークの入力層に入力し、前記複数の第２のパターンの形状データ、及び前記複数の第１のパターンを前記所定のプロセス条件に対して少なくとも１種類以上異なるプロセス条件で転写して形成された複数の第３のパターンの形状データに基づいて複数の前記ターゲットパターンの形状データを求め、前記複数のターゲットパターンの形状データを前記第１のニューラルネットワークの出力層に入力して前記第１のニューラルネットワークを学習させる第１の学習ステップを含み、
前記第２のステップは、前記第１の学習ステップにおいて前記第１のニューラルネットワークの入力層に入力した前記複数の第２のパターンの形状データを前記第２のニューラルネットワークの入力層に入力し、前記第１の学習ステップにおける前記形状が異なる複数の第１のパターンの形状データを前記第２のニューラルネットワークの出力層に入力して前記第２のニューラルネットワークを学習させる第２の学習ステップを含むことを特徴とする請求項１に記載のパターン予測方法。
前記第１のパターンは、マスクパターンであり、前記第２のパターンは、ウェハパターンであることを特徴とする請求項２に記載のパターン予測方法。
第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求める第１のステップと、
第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求める第２のステップとをコンピュータに実行させるためのパターン予測プログラム。
第１のニューラルネットワークを用いて、第１のパターンを所定のプロセス条件で転写して形成すべき第２のパターンの形状データから、前記プロセス条件を変動させて前記第１のパターンを転写して形成される転写パターンが許容範囲内に収まるように、前記第１のパターンを前記所定のプロセス条件で転写する際の前記第２のパターンの目標となるターゲットパターンの形状データを求め、第２のニューラルネットワークを用いて、前記ターゲットパターンを前記所定のプロセス条件で形成するための新たな第１のパターンの形状データを求めるニューラルネットワーク処理部を備えたことを特徴とするパターン予測装置。