인공 신경망에 의해 예측된 고장 모드들에 기초한 레티클 향상 기법 레시피들의 적용

리소그래피 마스크 레이아웃 검증을 위해, 설계 의도들의 세트 내의 각각의 설계 의도에 대해, 설계 의도가 제조될 때 발생할 것으로 예상되는 고장들의 세트를 식별하고, 고장 모드 및 고장들의 세트 내의 각각의 고장의 위치를 기록함으로써, 트레이닝 데이터가 수집된다. 다음으로, 트레이닝 데이터는 고장 모드들 및 고장들의 위치들을 예측하도록 머신 학습 모델, 예컨대 인공 신경망을 트레이닝시키기 위해 사용된다. 이어서, 트레이닝된 머신 학습 모델은 주어진 설계 의도에 대해 고장들의 세트를 예측하기 위해 사용된다. 다음으로, 각각의 예측된 고장에 대해, 고장의 고장 모드에 기초하여 레티클 향상 기법(RET) 레시피가 선택될 수 있고, 선택된 RET 레시피는 고장의 위치 주위의 영역에 적용될 수 있다. Training data may be collected for each design intent in a set of design intents by identifying a set of failures that is expected to occur when the design intent is manufactured, and recording a failure mode and a location of each failure in the set of failures. Next, the training data may be used to train a machine learning model, e.g., an artificial neural network, to predict failure modes and locations of failures. The trained machine learning model, e.g., trained artificial neural network, can then be used to predict a set of failures for a given design intent. Next, for each predicted failure, a reticle enhancement technique (RET) recipe may be selected based on the failure mode of the failure, and the selected RET recipe may be applied to an area around the location of the failure.