[論文レビュー] Data Efficient Lithography Modeling with Transfer Learning and Active Data Selection

Yibo Lin, Meng Li+5 more|arXiv (Cornell University)|Jun 27, 2018

Advancements in Photolithography Techniques被引用数 6

ひとこと要約

本論文は、古いプロセスノード（例：N10からN7）からの転移学習と、ターゲットノードにおける情報量の多いサンプルの選択にためのアクティブラーニングを用いる、リソグラフィーにおけるデータ効率の高いレジストモデリングフレームワークを提案する。ResNetベースの転移学習とアクティブデータ選択を組み合わせることで、最先端の学習ベースの手法と同等の精度を維持しながら、トレーニングデータを3–10倍削減する。

ABSTRACT

Lithography simulation is one of the key steps in physical verification, enabled by the substantial optical and resist models. A resist model bridges the aerial image simulation to printed patterns. While the effectiveness of learning-based solutions for resist modeling has been demonstrated, they are considerably data-demanding. Meanwhile, a set of manufactured data for a specific lithography configuration is only valid for the training of one single model, indicating low data efficiency. Due to the complexity of the manufacturing process, obtaining enough data for acceptable accuracy becomes very expensive in terms of both time and cost, especially during the evolution of technology generations when the design space is intensively explored. In this work, we propose a new resist modeling framework for contact layers, utilizing existing data from old technology nodes and active selection of data in a target technology node, to reduce the amount of data required from the target lithography configuration. Our framework based on transfer learning and active learning techniques is effective within a competitive range of accuracy, i.e., 3-10X reduction on the amount of training data with comparable accuracy to the state-of-the-art learning approach.

研究の動機と目的

• 半導体リソグラフィーにおける学習ベースのレジストモデリングの高いデータ要求を解決すること、特にプロセスノード移行時における課題に焦点を当てる。
• 過去のプロセスノード（例：N10）から得たラベル付きデータを再利用することで、新しいノード（例：N7）におけるモデルトレーニングの高速化を図ることで、データ効率を向上させること。
• ターゲットリソグラフィー設定における大規模で高価な製造データへの依存度を、アクティブラーニングによって低減すること。
• レジストモデリングに必要なトレーニングサンプル数を最小限に抑えつつ、高い精度を維持するフレームワークの開発

提案手法

• ソースプロセスノード（例：N10またはN7a）から事前学習された重みを用いて、ResNetベースのレジストモデルを初期化することで、転移学習を実装する。
• 新しいプロセスノード（例：N7b）の小さなターゲットドメインデータセット上で微調整を実施し、新しい光学的およびレジスト的条件にモデルを適応させる。
• クラスタリングに基づくアクティブラーニング戦略を採用し、反復的にラベル付けに最も価値のあるマスクパターンを選択することで、重複するデータを最小限に抑える。
• データオーグメンテーションを活用して、有効なトレーニングサンプルの多様性を高め、物理的測定に必要な絶対数を削減する。
• ニューラルネットワークに残差接続を採用することで、小規模データセット上でのトレーニング安定性と性能を向上させる。
• モデルのパフォーマンスを評価するための主要指標として、しきい値RMS誤差（εr_th）とクリティカルディメンションRMS誤差（εCD）を用いる。

実験結果

リサーチクエスチョン

• RQ1 N10などの古いプロセスノードからの転移学習は、N7bなどの新しいノードにおけるレジストモデリングのデータ要件を著しく削減できるか、かつ精度を損なわないか？
• RQ2 アクティブラーニングは、ターゲットドメインにおける代表的なマスクパターンを効果的に選択し、最小限のラベル付きデータでモデル精度を最大化できるか？
• RQ3 転移学習とアクティブラーニングを組み合わせることで、標準的な学習ベースのレジストモデリングと比較して、データ効率がどの程度向上するか？
• RQ4 ソースとターゲットデータセットの類似度（例：N10対N7a）に応じて、転移学習のパフォーマンスはどのように変化するか？
• RQ5 提案されたフレームワークは、最先端の手法と同等の精度を達成しながら、トレーニングデータを3–10倍削減できるか？

主な発見

• 提案されたResNetベースの転移学習とアクティブラーニング（ResNet TF₀ + AL）は、標準的なCNNと比較して、同等の精度を維持しながら、必要なトレーニングデータを3–10倍削減する。
• N10からN7bへの転移では、ResNet TF₀ + ALがデータ要件を最大で10倍削減し、ターゲットデータセットの1％のデータのみでCD RMS誤差1.60 nmを達成する。
• N7aからN7bへの転移では、ResNet TF₀ + ALはわずか5％のターゲットデータでCD RMS誤差1.67 nmを達成し、CNN TF₀が同程度の精度に到達するには30％のデータが必要であるのに対し、優れた性能を示す。
• 本手法は40個未満の物理的サンプル（データオーグメンテーションを併用）で妥当な精度に到達でき、非常に高いデータ効率を示す。
• アクティブラーニングにより、さらにデータ要件が削減される：ResNet TF₀ + ALは、ResNet TF₀と比較して1.5倍、CNNと比較して4倍の少ないサンプル数で、1.5 nmの目標CD RMS誤差を達成できる。
• 本フレームワークは、異なるソースドメインに対しても一貫したパフォーマンスを示し、全テスト設定において、ResNet TF₀ + ALが最も強固で効率的なデータ使用を実現している。