[논문 리뷰] Data Efficient Lithography Modeling with Transfer Learning and Active Data Selection

Yibo Lin, Meng Li외 5명|arXiv (Cornell University)|2018. 06. 27.

Advancements in Photolithography Techniques인용 수 6

한 줄 요약

이 논문은 이전 기술 노드(예: N10에서 N7으로)의 전이 학습과 대상 노드에서 정보성 샘플을 선택하기 위한 능동 학습을 활용하여 레이저리소그래피의 데이터 효율적인 저항 모델링 프레임워크를 제안한다. ResNet 기반 전이 학습과 능동 데이터 선택을 조합함으로써, 최신 학습 기반 접근 방식과 비교해 정확도를 유지하면서도 학습 데이터를 3–10배 줄일 수 있다.

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.

연구 동기 및 목표

• 기술 노드 전환 시 발생하는 학습 기반 저항 모델링의 높은 데이터 요구량을 해결한다.
• 이전 기술 노드에서의 레이블이 부여된 데이터(예: N10)를 재사용하여 신규 노드(예: N7)에서의 모델 학습을 가속화함으로써 데이터 효율성을 향상시킨다.
• 대상 레이저리소그래피 구성에서 대규모이며 고비용인 제조 데이터에 대한 의존도를 능동 학습을 통해 감소시킨다.
• 저항 모델링을 위한 필요한 학습 샘플 수를 최소화하면서도 높은 정확도를 유지하는 프레임워크를 개발한다.

제안 방법

• 원천 기술 노드(예: N10 또는 N7a)에서 사전 훈련된 가중치를 사용하여 ResNet 기반 저항 모델을 초기화함으로써 전이 학습을 구현한다.
• 새로운 기술 노드(예: N7b)의 소규모 타겟 도메인 데이터셋을 사용하여 모델을 미세 조정함으로써 새로운 광학 및 저항 조건에 적응시킨다.
• 클러스터링 기반 능동 학습 전략을 적용하여 반복적으로 정보성 높은 마스크 패턴을 선택함으로써 중복 데이터를 최소화한다.
• 데이터 증강을 활용하여 효과적인 학습 샘플의 다양성을 증가시켜 실제 측정이 필요한 샘플 수를 감소시킨다.
• 신경망 내 잔차 연결을 활용하여 소규모 데이터셋에서의 학습 안정성과 성능을 향상시킨다.
• 주요 평가 지표로 임계값 루트 평균 제곱 오차(εr_th)와 치수 루트 평균 제곱 오차(εCD)를 사용하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 이전 기술 노드(예: N10)에서의 전이 학습이 신규 노드(예: N7b)의 저항 모델링을 위한 데이터 요구량을 크게 줄일 수 있는가? 이때 정확도 손실 없이 가능할까?
• RQ2 능동 학습이 타겟 도메인에서 최소한의 레이블 데이터로도 모델 정확도를 극대화하는 데 얼마나 효과적인가?
• RQ3 전이 학습과 능동 학습을 조합함으로써 표준 학습 기반 저항 모델링에 비해 데이터 효율성에 어떤 영향을 미치는가?
• RQ4 원천 데이터셋과 타겟 데이터셋 간 유사성(예: N10 대비 N7a)에 따라 전이 학습의 성능은 어떻게 달라지는가?
• RQ5 제안된 프레임워크가 3–10배 적은 학습 데이터로 최신 기술 수준의 방법과 유사한 정확도를 달성할 수 있는가?

주요 결과

• 제안된 ResNet 기반 전이 학습과 능동 학습(ResNet TF₀ + AL)은 표준 CNN 대비 학습 데이터 요구량을 3–10배 줄였으며, 정확도는 유사하게 유지한다.
• N10에서 N7b로 전이할 경우, ResNet TF₀ + AL은 데이터 요구량을 최대 10배까지 줄여 1%의 타겟 데이터셋으로도 치수 루트 평균 제곱 오차 1.60 nm를 달성한다.
• N7a에서 N7b로 전이할 경우, ResNet TF₀ + AL은 단지 5%의 타겟 데이터로도 치수 루트 평균 제곱 오차 1.67 nm를 달성하며, CNN TF₀가 유사 정확도를 달성하기 위해 30%의 데이터가 필요함을 고려하면 성능이 뛰어나다.
• 물리적 샘플 수가 40개 미만(데이터 증강 덕분)이어도 충분한 정확도를 달성함으로써 높은 데이터 효율성을 입증한다.
• 능동 학습은 데이터 요구량을 추가로 줄인다: ResNet TF₀ + AL은 ResNet TF₀ 대비 1.5배, CNN 대비 4배 적은 샘플 수로 1.5 nm 이내의 목표 치수 루트 평균 제곱 오차를 달성한다.
• 다양한 원천 도메인에 걸쳐 일관된 성능을 유지하며, ResNet TF₀ + AL은 모든 테스트 구성에서 가장 강력하고 효율적인 데이터 사용 방식을 보여준다.