ILT 기술을 통한 대용량 제조 가속화

Reading Time: 4 minutes

ILT(Inverse Lithography Technology)는 2003년 초에 처음 구현 및 시연되었으며 Danping Peng이 UCLA의 Stanley Osher, Eli Yabonovitch 교수와 기업가인 Dan Abrams, Jack Herrik이 설립한 스타트업 Luminescent Technologies Inc.에서 엔지니어로 근무하던 시기에 개발한 기술입니다.

당시 ILT는 리소그래피 패턴에 사용되는 기존 맨해튼 마스크 모양보다 훨씬 우수한 프로세스 윈도우 지표를 보여준 혁신적인 솔루션이었습니다. 직선으로 이루어진 맨해튼 마스크 모양과 달리 ILT의 장점은 곡선형 마스크 모양에 있습니다.

ILT는 개발 이후 여러 메모리 및 논리 주조의 실제 웨이퍼 프린팅에서 실행 가능한 리소그래피 기술로 입증되었습니다. 그러나 기술 및 경제적 요인으로 인해 ILT 채택으로 이어지지는 못했습니다.

  • ILT 마스크는 기존의 맨해튼 마스크와 비교하여 10배가 넘는 엄청난 컴퓨팅 시간이 필요했습니다.
  • ILT가 모델 기반 어시스턴트 기능을 생성할 때 타일 경계에서 몇 가지 연결 문제를 겪기도 했습니다.
  • ILT 마스크는 파일 크기가 엄청나게 커서(기존 마스크 파일 크기의 6~7배) 가변형 빔(VSB) 라이터를 사용하여 작성할 경우 시간이 오래 걸렸습니다.
  • ASML은 초점 및 복용량 제어 기능이 더 우수한 액침 리소그래피 스캐너를 도입했고, 기존의 맨해튼 마스크를 사용하여 제조 요구 사항을 충족할 수 있었습니다.

이러한 이유로 ILT는 주로 셀 어레이 인쇄용 메모리 주조 및 핫스폿 수리로 논리 주조에서 사용되거나 기존의 광학 근접 보정(OPC)을 벤치마킹하고 개선하는 데 사용되었습니다.

ILT 현황

20년 후의 미래에는 오늘날과 다른 반도체 전망이 펼쳐질 겁니다.패턴 기능 크기를 7nm 이하로 줄이려면 정확도 및 공정 마진이 훨씬 더 커져야 합니다. 따라서 ILT에서 곡선형 마스크 모양을 생산하는 능력은 이러한 웨이퍼 생산의 한계를 극복하는 데 더욱 중요한 의미를 갖습니다.

현재 GPU에서 리소그래피 시뮬레이션의 발전으로 기존의 CPU 연산과 비교하여 10배 이상 속도가 빨라졌고, 머신 러닝(ML)을 이용한 기존 솔루션의 학습을 통해 ILT 모델의 속도가 더욱 향상되었습니다.

멀티 빔 마스크 라이터는 고정된 시간 내에 다양한 복잡성을 지닌 마스크를 작성할 수도 있으며 HVM에서 성공적으로 사용되었습니다.

마지막으로, 차세대 리소그래피 스캐너의 가격이 점점 더 비싸지고 있으므로 ILT를 통해 기존 스캐너의 가치와 성능을 끌어올리는 방법은 더욱 매력적인 옵션이 되었습니다.

GPU 컴퓨팅과 머신 러닝을 통해 풀 칩 애플리케이션용 ILT의 배포는 점차 현실이 되고 있습니다. 이는 마스크 패턴 및 결함 검사 기술의 경계를 넓히는 과정에서 핵심적인 역할을 할 것으로 예상됩니다.

로직 및 파운드리 생산 환경에서 ILT 채택의 어려움 극복

로직 파운드리 환경에서 ILT를 성공적으로 사용하려면 대량 채택을 막는 다음 원인을 해결해야 합니다.

  • 긴 연산 시간
  • 곡선형 OPC에 특화된 마스크 규칙 검사
  • 대용량 레이아웃 파일 크기

긴 연산 시간

ILT는 곡선형 마스크 모양의 복잡성으로 인해 긴 연산 시간이 필요합니다. 다행히 최근 GPU 컴퓨팅 성능 및 딥 러닝(DL)이 발전하면서 이러한 복잡한 컴퓨팅 알고리즘을 해결하는 데 필요한 시간이 크게 줄었습니다.

곡선형 OPC에 특화된 마스크 규칙 검사

둘째로, 마스크 공장에서 수신 마스크 데이터의 제조 가능 여부를 확인하는 방법이 필요하므로 곡선형 OPC에 특화된 마스크 규칙 검사(MRC)를 처리해야 합니다. 곡선형 마스크에서는 단순한 폭 및 공간 검사가 적용되지 않아 직선형 마스크 모양에 비해 검증이 더 어렵기 때문에 이는 특별히 곡선형 마스크 모양에서 유용합니다.

MRC를 처리하기 위해 업계에서는 CD/공간 및 구멍과 섬 면적의 최소화, 마스크 엣지(활 모양으로 굽은 위쪽)의 평활도와 같은 간소화된 규칙 사용에 초점을 맞추고 있습니다.

대용량 레이아웃 파일 크기

마지막으로 ILT에서 생성된 레이아웃 파일 크기는 기존의 직선형 모양에 비해 수용 불가능할 정도로 큽니다. 파일 크기가 크다는 것은 제조에서 데이터 생성, 저장, 전송 및 사용 비용 또한 증가한다는 것을 의미합니다.

EDA 솔루션

이를 해결하기 위해 EDA 공급업체는 다양한 솔루션을 제시했으며, 모든 이해관계자(EDA 공급업체, 도구 공급업체 및 파운드리)가 지원하는 공통 파일 형식을 만들기 위한 실무 그룹이 구성되었습니다. 

GPU + 딥 러닝: GPU로 ILT의 문제를 해결하는 이상적인 솔루션

NVIDIA는 EDA 공급업체와 긴밀한 파트너십을 맺은 결과 ILT 솔루션을 자체 제작했습니다. NVIDIA GPU 플랫폼을 사용하여 NVIDIA SDK 및 라이브러리를 사용하는 시뮬레이션 및 ILT 엔진을 대부분 성공적으로 포팅했습니다.

  • CUDA
  • cuFFT
  • cuSOLVER
  • NVPR: OpenGL 확장을 사용한 NVIDIA 경로 렌더링
  • Optix RT 컴퓨팅
  • 및 기타

NVIDIA V100 32GB GPU에서 일반적인 CPU 실행에 비해 ILT 연산 속도가 10배 이상 향상되었습니다. 광학 및 레지스트 모델링의 여러 주요 구성 요소에서 20배 이상 속도가 빨라진 것을 확인했습니다.

이러한 고무적인 결과는 추가 개발로 이어졌습니다. 현재 NVIDIA A100 80GB GPU 클러스터에서 자체 ILT 엔진을 사용하여 주요 계층의 프로덕션 규모 보정 및 테스트를 진행 중입니다.

Bar chart shows the GPU speedup relative to a CPU core for ILT forward model simulation as split by its key components.
그림 1.자체 ILT 엔진을 사용한 GPU 속도 향상

ILT를 통한 미래 기회

고급 칩 설계는 회로 성능 및 타이밍에서 열 방출에 이르는 고가의 시뮬레이션에 점점 더 의존하고 있습니다. 제조에 있어서 OPC/ILT는 엄청난 정도의 컴퓨팅 성능이 필요하며, 이는 다음 노드로 빠르게 발전함에 따라 증가할 것으로 예상됩니다.

전체 소프트웨어 스택은 물론 GPU와 HPC 채택은 황의 법칙에서 관찰한 내용과 일치하며 미래 세대 칩을 일정에 맞게 성공적으로 출시하는 데 핵심 요소가 될 것입니다. 더 구체적으로는 HPC + 렌더링(컴퓨터 그래픽스) + 머신 러닝/딥 러닝을 위한 통합 가속 아키텍처를 통해 성능이 더 우수한 칩을 설계 및 제조할 수 있으며, 그 결과 마스크 패턴 및 결함 감지 애플리케이션의 속도와 효율성 개선으로 이어집니다.

즉, GPU를 사용하여 더 빠르고 성능이 우수한 GPU를 설계하는 반복적인 프로세스입니다.

HVM에서 ILT 마스크를 빠르게 적용할 수 있으려면 모든 이해관계자가 파트너십 및 협업에 참여해야 합니다.

  • EDA 공급업체는 자사의 OPC 시뮬레이션 및 보정 엔진이 허용 가능한 파일 크기 및 형식으로 출력되는 표준 마스크 규칙을 준수하는 곡선형 마스크 설계를 생성할 수 있도록 해야 합니다.
  • 마스크 데이터 준비(MDP) 공급업체는 이러한 곡선형 마스크 데이터를 처리할 수 있도록 시스템을 조정해야 합니다.
  • 마스크 검사 및 검토 도구 공급업체는 잠재적인 결함을 검사, 모델링 및 감지할 수 있도록 시스템과 알고리즘을 업그레이드해야 합니다.

곡선형 ILT 마스크 설계를 사용하여 얻을 수 있는 이점은 분명합니다. 회로 디자이너는 자유와 창의성의 폭이 넓어져서 성능이 더욱 우수한 회로를 만들 수 있고, 설계 규칙은 대폭 간소화되어 공정 마진도 향상할 수 있습니다. 곡선형 설계를 사용하는 이점은 반도체 산업에 상당한 영향을 미칠 것이며 ILT는 미래의 공정 노드 개발의 핵심 동력이 될 것입니다.

Discuss (0)

Tags

답글 남기기