APPLYING RETICLE ENHANCEMENT TECHNIQUE RECIPES BASED ON FAILURE MODES PREDICTED BY AN ARTIFICIAL NEURAL NETWORK

For lithography mask layout verification, training data is 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 is 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 is then 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. Selon la présente invention, en vue d'une vérification de disposition d'un masque de lithographie, des données d'apprentissage sont rassemblées pour chaque intention de conception dans un ensemble d'intentions de conception par identification d'un ensemble de défaillances qui sont censées se produire lorsque l'intention de conception est fabriquée, et par enregistrement d'un mode de défaillance et d'un emplacement de chaque défaillance dans l'ensemble de défaillances. Ensuite, les données d'apprentissage sont utilisées pour entraîner un modèle d'apprentissage machine, par exemple un réseau neuronal artificiel, pour prédire des modes de défaillance et des emplacements des défaillances. Le modèle d'apprentissage machine entraîné est ensuite utilisé pour prédire un ensemble de défaillances concernant une intention de conception donnée. Ensuite, pour chaque défaillance prédite, une recette de technique d'amélioration de réticule (RET) peut être sélectionnée sur la base du mode de défaillance de la défaillance et la recette RET sélectionnée peut être appliquée à une zone autour de l'emplacement de la défaillance.