特開 2024-84691 半導体パターンのための補正方法及び装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024084691

(43)【公開日】2024-06-25

(54)【発明の名称】半導体パターンのための補正方法及び装置

(51)【国際特許分類】

   G06N 3/084 20230101AFI20240618BHJP

   G06T 1/00 20060101ALI20240618BHJP

   H01L 21/82 20060101ALI20240618BHJP

【ＦＩ】

G06N3/084

G06T1/00 305Z

H01L21/82 C

【審査請求】未請求

【請求項の数】21

【出願形態】ＯＬ

(21)【出願番号】P 2023184332

(22)【出願日】2023-10-27

(31)【優先権主張番号】10-2022-0173797

(32)【優先日】2022-12-13

(33)【優先権主張国・地域又は機関】KR

(71)【出願人】

【識別番号】390019839

【氏名又は名称】三星電子株式会社

【氏名又は名称原語表記】Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ．

【住所又は居所原語表記】１２９，Ｓａｍｓｕｎｇ－ｒｏ，Ｙｅｏｎｇｔｏｎｇ－ｇｕ，Ｓｕｗｏｎ－ｓｉ，Ｇｙｅｏｎｇｇｉ－ｄｏ，Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(74)【代理人】

【識別番号】100135079

【弁理士】

【氏名又は名称】宮崎 修

(72)【発明者】

【氏名】朴 聖眞

(72)【発明者】

【氏名】李 宣▲みん▼

(72)【発明者】

【氏名】▲やん▼ 宰圓

【テーマコード（参考）】

5B057

5F064

【Ｆターム（参考）】

5B057AA03

5B057CA08

5B057CA12

5B057CA16

5B057CB08

5B057CB12

5B057CB16

5B057CC02

5B057DA03

5B057DA07

5B057DA08

5B057DA16

5B057DC40

5F064HH06

5F064HH09

5F064HH10

5F064HH15

(57)【要約】

【課題】半導体パターンのためのニューラル補正方法及び装置が提供される。
【解決手段】本方法は、半導体生産のための第１工程のフォワードシミュレーションを行うフォワードシミュレーションニューラルネットワーク、及び、第１工程のバックワード補正を行うバックワード補正ニューラルネットワークをロードし、第１希望パターン映像に基づいて、バックワード補正ニューラルネットワークを実行して、第１希望パターン映像の第１補正結果映像を生成し、第１補正結果映像に基づいて、フォワードシミュレーションニューラルネットワークを実行して、第１シミュレーション結果映像を生成し、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像をアップデートするステップを含む。
【選択図】図５

【特許請求の範囲】

【請求項1】

ニューラル補正方法であって、
半導体生産のための第１工程のフォワードシミュレーションを行うフォワードシミュレーションニューラルネットワーク、及び、前記第１工程のバックワード補正を行うバックワード補正ニューラルネットワークをロードするステップと、
第１希望パターン映像に基づいて、前記バックワード補正ニューラルネットワークを実行して、前記第１希望パターン映像の第１補正結果映像を生成するステップと、
前記第１補正結果映像に基づいて、前記フォワードシミュレーションニューラルネットワークを実行して、第１シミュレーション結果映像を生成するステップと、
前記第１希望パターン映像と前記第１シミュレーション結果映像との間の誤差が減少するように、前記第１補正結果映像をアップデートするステップと、
を含む、方法。

【請求項2】

前記方法は、さらに、
前記第１工程のシミュレーション入力に該当する入力パターン映像、及び、前記第１工程のシミュレーション出力に該当する出力パターン映像を受信するステップと、
前記フォワードシミュレーションニューラルネットワークが、前記入力パターン映像から前記出力パターン映像を推定するように、前記入力パターン映像及び前記出力パターン映像を用いて前記フォワードシミュレーションニューラルネットワークに対する初期トレーニングを行うステップと、
前記バックワード補正ニューラルネットワークが、前記出力パターン映像から前記入力パターン映像を推定するように、前記入力パターン映像及び前記出力パターン映像を用いて前記バックワード補正ニューラルネットワークに対する初期トレーニングを行うステップと、
を含む、請求項１に記載の方法。

【請求項3】

前記第１補正結果映像をアップデートする前記ステップは、
前記フォワードシミュレーションニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークのパラメータを調節するステップ、
を含む、請求項１に記載の方法。

【請求項4】

前記第１補正結果映像をアップデートする前記ステップは、
前記フォワードシミュレーションニューラルネットワークのパラメータ及び前記バックワード補正ニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記第１補正結果映像のピクセルを調節するステップ、
を含む、請求項１に記載の方法。

【請求項5】

前記第１補正結果映像をアップデートする前記ステップは、
傾斜下降法に基づいて、前記第１補正結果映像をアップデートするステップ、
を含む、請求項１に記載の方法。

【請求項6】

前記方法は、さらに、
前記第１補正結果映像の反復的なアップデート結果に基づいて、前記第１補正結果映像を確定するステップと、
第２希望パターン映像に基づいて、前記バックワード補正ニューラルネットワークを実行して、前記第２希望パターン映像の第２補正結果映像を生成するステップと、
前記第２補正結果映像に基づいて、前記フォワードシミュレーションニューラルネットワークを実行して、第２シミュレーション結果映像を生成するステップと、
前記第２希望パターン映像と前記第２シミュレーション結果映像との間の誤差が減少するように、前記第２補正結果映像をアップデートするステップと、
を含む、請求項１に記載の方法。

【請求項7】

前記方法は、さらに、
前記第２補正結果映像の反復的なアップデート結果に基づいて、前記第２補正結果映像を確定するステップ、を含み、
前記第１補正結果映像の確定したバージョンは、前記第１希望パターン映像に対する個別的な最適化結果に該当し、
前記第２補正結果映像の確定したバージョンは、前記第２希望パターン映像に対する個別的な最適化結果に該当する、
請求項６に記載の方法。

【請求項8】

前記第１補正結果映像をアップデートする前記ステップは、
前記フォワードシミュレーションニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークのパラメータを調節するステップ、を含み、
前記第２補正結果映像をアップデートする前記ステップは、
前記フォワードシミュレーションニューラルネットワークの前記パラメータが固定された状態で、前記第２希望パターン映像と前記第２シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークの前記パラメータを調節するステップ、を含み、
前記第１補正結果映像の前記確定したバージョンに対応する前記バックワード補正ニューラルネットワークのパラメータ値と、前記第２補正結果映像の前記確定したバージョンに対応する前記バックワード補正ニューラルネットワークのパラメータ値とは、互いに異なる、
請求項７に記載の方法。

【請求項9】

前記第１工程は、現像工程及びエッチング工程のうち少なくとも１つを含む、
請求項１に記載の方法。

【請求項10】

ハードウェアと結合して、請求項１～９のいずれか１項に記載の方法を実行させるためにコンピュータで読み出し可能な記録媒体に格納されたコンピュータプログラム。

【請求項11】

プロセッサと、
前記プロセッサで実行可能な命令語を含むメモリと、
を含む、ニューラル補正装置であって、
前記命令語が前記プロセッサで実行されると、前記プロセッサは、
半導体生産のための第１工程のフォワードシミュレーションを行うフォワードシミュレーションニューラルネットワーク、及び、前記第１工程のバックワード補正を行うバックワード補正ニューラルネットワークをロードし、
第１希望パターン映像に基づいて、前記バックワード補正ニューラルネットワークを実行して、前記第１希望パターン映像の第１補正結果映像を生成し、
前記第１補正結果映像に基づいて、前記フォワードシミュレーションニューラルネットワークを実行して、第１シミュレーション結果映像を生成し、
前記第１希望パターン映像と前記第１シミュレーション結果映像との間の誤差が減少するように、前記第１補正結果映像をアップデートする、
装置。

【請求項12】

前記プロセッサは、
前記第１工程のシミュレーション入力に該当する入力パターン映像、及び、前記第１工程のシミュレーション出力に該当する出力パターン映像を受信し、
前記フォワードシミュレーションニューラルネットワークが、前記入力パターン映像から前記出力パターン映像を推定するように、前記入力パターン映像及び前記出力パターン映像を用いて、前記フォワードシミュレーションニューラルネットワークに対する初期トレーニングを行い、
前記バックワード補正ニューラルネットワークが、前記出力パターン映像から前記入力パターン映像を推定するように、前記入力パターン映像及び前記出力パターン映像を用いて、バックワード補正ニューラルネットワークに対する初期トレーニングを行う、
請求項１１に記載の装置。

【請求項13】

前記プロセッサは、前記第１補正結果映像をアップデートするために、前記フォワードシミュレーションニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークのパラメータを調節する、
請求項１１に記載の装置。

【請求項14】

前記プロセッサは、前記第１補正結果映像をアップデートするために、前記フォワードシミュレーションニューラルネットワークのパラメータ及び前記バックワード補正ニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記第１補正結果映像のピクセルを調節する、
請求項１１に記載の装置。

【請求項15】

前記プロセッサは、前記第１補正結果映像をアップデートするために、傾斜下降法に基づいて前記第１補正結果映像をアップデートする、
請求項１１に記載の装置。

【請求項16】

前記プロセッサは、
前記第１補正結果映像の反復的なアップデート結果に基づいて、前記第１補正結果映像を確定し、
第２希望パターン映像に基づいて、前記バックワード補正ニューラルネットワークを実行して、前記第２希望パターン映像の第２補正結果映像を生成し、
前記第２補正結果映像に基づいて、前記フォワードシミュレーションニューラルネットワークを実行して、第２シミュレーション結果映像を生成し、
前記第２希望パターン映像と前記第２シミュレーション結果映像との間の誤差が減少するように、前記第２補正結果映像をアップデートする、
請求項１１に記載の装置。

【請求項17】

前記プロセッサは、
前記第２補正結果映像の反復的なアップデート結果に基づいて、前記第２補正結果映像を確定し、
前記第１補正結果映像の確定したバージョンは、前記第１希望パターン映像に対する個別的な最適化結果に該当し、
前記第２補正結果映像の確定したバージョンは、前記第２希望パターン映像に対する個別的な最適化結果に該当する、
請求項１６に記載の装置。

【請求項18】

前記プロセッサは、前記第１補正結果映像をアップデートするために、前記フォワードシミュレーションニューラルネットワークのパラメータが固定された状態で、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークのパラメータを調節し、
前記プロセッサは、前記第２補正結果映像をアップデートするために、前記フォワードシミュレーションニューラルネットワークの前記パラメータが固定された状態で、前記第２希望パターン映像と前記第２シミュレーション結果映像との間の前記誤差が減少するように、前記バックワード補正ニューラルネットワークの前記パラメータを調節し、
前記第１補正結果映像の前記確定したバージョンに対応する前記バックワード補正ニューラルネットワークのパラメータ値と、前記第２補正結果映像の前記確定したバージョンに対応する前記バックワード補正ニューラルネットワークのパラメータ値は、相互に異なっている、
請求項１７に記載の装置。

【請求項19】

前記第１工程は、現像工程及びエッチング工程のうち少なくとも１つを含む、
請求項１１に記載の装置。

【請求項20】

ニューラル補正方法であって、
ターゲット工程のシミュレーション入力に対応する入力パターン映像に基づいて、バックワード補正ニューラルネットワークをトレーニングさせるステップと、
前記ターゲット工程のシミュレーション出力に対応する出力パターン映像に基づいて、フォワードシミュレーションニューラルネットワークをトレーニングさせるステップと、
前記バックワード補正ニューラルネットワークを用いてパターン映像に基づいて補正された映像を生成するステップと、
前記フォワードシミュレーションニューラルネットワークを用いて、シミュレーション結果映像を生成するステップと、
前記シミュレーション結果映像と前記パターン映像との間の誤差により、バックワード補正ニューラルネットワークのパラメータを調整するステップと、
を含む、方法。

【請求項21】

前記パラメータを調整するステップは、
前記誤差を所定の閾値に減少させるために前記パラメータを繰り返しアップデートするステップ、を含む、
請求項２０に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

以下の実施形態は、半導体パターンのための補正方法及び装置に関する。

【背景技術】

【0002】

半導体生産工程（ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ ｐｒｏｃｅｓｓ）は、ウェハーの加工のための様々な細部工程を含むことができる。また、細部工程の誤差を減らす様々な技術が存在する。例えば、現像工程（ｄｅｖｅｌｏｐ ｐｒｏｃｅｓｓ）のためにＯＰＣ（ｏｐｔｉｃａｌ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎ）が、エッチング工程のためにＰＰＣ（ｐｒｏｃｅｓｓ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎ）を用いてもよい。ニューラルネットワークは、ディープラーニングに基づいて訓練された後、非線形関係にある入力データ及び出力データを互いにマッピングすることで、目的に適する推論を実行することができる。このようなマッピングを生成する訓練された能力は、神経網の学習能力といえる。ニューラルネットワークは、様々な技術分野で使用され、半導体生産工程に結合されてもよい。

【発明の概要】

【発明が解決しようとする課題】

【0003】

本発明の網的は、半導体パターンのための補正方法及び装置を提供することにある。

【課題を解決するための手段】

【0004】

一実施形態に係るニューラル補正方法は、半導体生産のための第１工程のフォワードシミュレーションを行うフォワードシミュレーションニューラルネットワーク及び第１工程のバックワード補正を行う、バックワード補正ニューラルネットワークをロードするステップと、第１希望パターン映像に基づいて、バックワード補正ニューラルネットワークを実行して、第１希望パターン映像の第１補正結果映像を生成するステップと、第１補正結果映像に基づいて、フォワードシミュレーションニューラルネットワークを実行して、第１シミュレーション結果映像を生成するステップと、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像をアップデートするステップと、を含む。

【0005】

一実施形態に係るニューラル補正装置は、プロセッサと、プロセッサで実行可能な命令語を含むメモリと、を含む。命令語がプロセッサで実行されると、プロセッサは、半導体生産のための第１工程のフォワードシミュレーションを行うフォワードシミュレーションニューラルネットワーク、及び、第１工程のバックワード補正を行うバックワード補正ニューラルネットワークをロードし、第１希望パターン映像に基づいて、バックワード補正ニューラルネットワークを実行して、第１希望パターン映像の第１補正結果映像を生成し、第１補正結果映像に基づいて、フォワードシミュレーションニューラルネットワークを実行して、第１シミュレーション結果映像を生成し、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像をアップデートする。

【0006】

一実施形態に係るニューラル補正方法は、ターゲット工程のシミュレーション入力に対応する入力パターン映像に基づいてバックワード補正ニューラルネットワークをトレーニングさせるステップと、ターゲット工程のシミュレーション出力に対応する出力パターン映像に基づいて、フォワードシミュレーションニューラルネットワークをトレーニングさせるステップと、バックワード補正ニューラルネットワークを用いて、パターン映像に基づいて補正された映像を生成するステップと、フォワードシミュレーションニューラルネットワークを用いて、シミュレーション結果映像を生成するステップと、シミュレーション結果映像とパターン映像との間の誤差により、バックワード補正ニューラルネットワークのパラメータを調整するステップと、を含む。

【図面の簡単な説明】

【0007】

【図1】半導体生産工程を例示する図である。

【図2】補正の有無による現像結果の差を例示する図である。

【図3】半導体生産工程におけるフォワードシミュレーション及びバックワード補正を例示する図である。

【図4】一実施形態に係るニューラルフォワードモデルとニューラルバックワードモデルの初期化過程を例示する図である。

【図5】一実施形態に係る逆伝播を利用した補正アップデート過程を例示する図である。

【図6】一実施形態に係るニューラルバックワードモデルのアップデートを介して補正結果映像が間接的にアップデートされる過程を例示する図である。

【図7】一実施形態に係る補正結果映像が直接的にアップデートされる過程を例示する図である。

【図8】一実施形態に係る各希望パターン映像の補正結果映像の個別的な最適化過程を例示する図である。

【図9】一実施形態に係るニューラル補正方法を例示するフローチャートである。

【図10】一実施形態に係るニューラル補正装置の構成を例示するブロック図である。

【図11】一実施形態に係る電子装置の構成を例示するブロック図である。

【発明を実施するための形態】

【0008】

実施形態に対する特定な構造的又は機能的な説明は、単なる例示のための目的として開示されたものであって、様々な形態に変更されることができる。したがって、実施形態は、特定な開示形態に限定されるものではなく、本明細書の範囲は技術的な思想に含まれる変更、均等物、ないし代替物を含むものである。

【0009】

第１又は第２などの用語を複数の構成要素を説明するために用いることがあるが、このような用語は、１つの構成要素を他の構成要素から区別する目的としてのみ解釈されなければならない。例えば、第１構成要素は第２構成要素と命名することができ、同様に、第２構成要素は第１構成要素と命名することもができる。

【0010】

いずれかの構成要素が、他の構成要素に「連結」されているか又は「接続」されていると言及されたときには、その他の構成要素に直接的に連結されているか又は接続されているが、中間に他の構成要素が存在し得るものと理解されなければならない。

【0011】

単数の表現は、文脈上、明白に異なる意味をもたない限り、複数の表現を含む。本明細書において、「含む」又は「有する」、等の用語は、明細書上に記載した特徴、数字、ステップ、動作、構成要素、部品、又はこれらを組み合わせたものが存在することを示すものであって、１つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品、又は、これを組み合わせたものなどの存在又は付加の可能性を、予め排除しないものとして理解しなければならない。

【0012】

本明細書において、「Ａ又はＢのうち少なくとも１つ」及び「Ａ、Ｂ、又はＣのうち少なくとも１つ」のような文句は、それぞれその文句のうち該当する文句と共に羅列された項目のいずれか１つ又はそのすべての可能な組み合わせを含んでもよい。

【0013】

異なるように定義がなされない限り、技術的又は科学的な用語を含んで、ここで用いられる全ての用語は、本実施形態が属する技術分野で通常の知識を有する者によって、一般的に理解されるものと同じ意味を有する。一般的に用いられる予め定義された用語は、関連技術の文脈上で有する意味と一致する意味を有するものと解釈されなければならず、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味として解釈されることはない。

【0014】

以下に、添付する図面を参照しながら、実施形態を詳細に説明する。図面を参照して説明する際に、図面符号に拘わらず、同じ構成要素は同じ参照符号を付与し、これに対する重複する説明は省略する。

【0015】

図１は、半導体生産工程を例示する図である。図１を参照すると、半導体生産工程（ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ ｐｒｏｃｅｓｓ）は、ウェハー１１１の加工のための様々な細部工程を含んでよい。第１ステージ１１０において、ウェハー１１１が生成され、第２ステージ１２０において、ウェハー１１１上にフォトレジスト１２１が塗布される。

【0016】

第３ステージ１３０において、マスク１３１を介して、フォトレジスト１２１に光１３２が照射される。マスク１３１のパターンに応じて、光１３２に対するフォトレジスト１２１の露出領域が決定され、光１３２によってフォトレジスト１２１の露出領域が除去されることで、第４ステージ１４０のように、フォトレジスト１２１にマスク１３１のパターンが形成される。第３ステージ１３０及び第４ステージ１４０は、現像工程（ｄｅｖｅｌｏｐ ｐｒｏｃｅｓｓ）に該当する。フォトレジスト１２１に形成されているパターンに応じて、ウェハー１１１の露出領域が決定されてよく、第５ステージ１５０において、ウェハー１１１の露出領域に対するエッチングが行われる。ウェハー１１１の露出領域が除去されることで、ウェハー１１１にフォトレジスト１２１のパターンが形成される。第６ステージ１６０において、フォトレジスト１２１が除去される。第５ステージ１５０及び第６ステージ１６０は、エッチング工程に該当する。

【0017】

図２は、補正有無による現像結果の差を例示する図である。実際の半導体生産工程で希望パターン２１０によるオリジナルマスク（ｏｒｉｇｉｎａｌ ｍａｓｋ）２２０が使用されれば、光の回折、工程誤差などにより、希望パターン２１０からの大きい誤差を有する現像結果２３０が示される。誤差を低減するために、オリジナルマスク２２０に対して補正される。現像工程に対する従来の補正方式は、ＯＰＣ（ｏｐｔｉｃａｌ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎ）を含んでよく、エッチング工程に対する従来の補正方式は、ＰＰＣ（ｐｒｏｃｅｓｓ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎ）を含んでもよい。

【0018】

図２は、現像工程に対するＯＰＣの例示に該当する。ＯＰＣにより補正されたマスク２４０が決定され、補正されたマスク２４０を介して、少ない誤差を有する現像結果２５０が導き出される。従来の補正方式は、初期マスクを断片化（ｆｒａｇｍｅｎｔａｔｉｏｎ）して、初期マスクによる工程結果をシミュレーションし、シミュレーション結果を参照して、予め決定された補正規則に基づいて、初期マスクの断片を補正して新しいマスクを決定し、新しいマスクによる工程結果をシミュレーションする動作を含む。従来の補正方式によれば、予め決定された補正規則を利用した反復的な動きを介して、最終的なパターンを導き出すことができる。

【0019】

図３は、半導体生産工程におけるフォワードシミュレーション及びバックワード補正を例示する図である。図３を参照すると、第１パターン映像３１０に対する現像工程のフォワードシミュレーションを介して、第２パターン映像３２０が決定され、第２パターン映像３２０に対するエッチング工程のフォワードシミュレーションを介して、第３パターン映像３３０が決定される。フォワードシミュレーションには、半導体工程の様々な特性、条件、変数などを考慮するシミュレーションモデルを用いてもよい。例えば、第１パターン映像３１０に対するフォワードシミュレーションを介して、現像工程で発生可能な形態変化が第１パターン映像３１０に反映されて、第２パターン映像３２０が決定されてよく、第２パターン映像３２０に対するフォワードシミュレーションを介して、エッチング工程で発生可能な形態変化が第２パターン映像３２０に反映されて、第３パターン映像３３０が決定されてもよい。

【0020】

希望パターンに該当する第１パターン映像３１０とエッチング工程の結果に該当する第３パターン映像３３との間に誤差が生じる場合、誤差を低減するために、バックワード補正が実行されてもよい。従来のバックワード補正は、エッチング工程に対するＰＰＣ及び現像工程に対するＯＰＣを含んでもよい。従来の補正方式は、予め決定された補正規則を介して実行される。第４パターン映像３４０に対するＰＰＣにより、第５パターン映像３５０が生成される。第４パターン映像３４０は、希望パターンに該当し、第５パターン映像３５０は、エッチング工程により希望パターンが導き出されるための補正結果に該当する。第５パターン映像３５０に対するＯＰＣにより、第６パターン映像３６０が生成される。第６パターン映像３６０は、現像工程により第５パターン映像３５０が導き出されるための補正結果である。

【0021】

ＰＰＣ及びＯＰＣは、予め決定された補正規則により行われるが、補正規則は、人によって決定されてもよい。実施形態によれば、このような人の介入及び補正規則なしに、ニューラルモデル（ｎｅｕｒａｌ ｍｏｄｅｌ）及び傾斜下降法（ｇｒａｄｉｅｎｔ ｄｅｃｅｎｔ）による最適化方式に基づいて、パターン補正が行われてもよい。実施形態によれば、ケースごとの補正規則が予め備えられなくても、パターン補正の最適化を達成することができる。

【0022】

図４は、一実施形態に係るニューラルフォワードモデルとニューラルバックワードモデルの初期化過程を例示する図である。

【0023】

図４を参照すると、出力パターン映像４０１及び入力パターン映像４０２に基づいて、ニューラルフォワードモデル４１０及びニューラルバックワードモデル４２０がトレーニングされ得る。入力パターン映像４０２は、ターゲット工程のシミュレーション入力に該当し、出力パターン映像４０１は、ターゲット工程のシミュレーション出力に該当する。ターゲット工程は、現像工程及び／又はエッチング工程を含んでもよい。

【0024】

ニューラルフォワードモデル４１０及びニューラルバックワードモデル４２０は、ニューラルネットワークを含む。ニューラルフォワードモデル４１０は、フォワードシミュレーションニューラルネットワークと称され、ニューラルバックワードモデル４２０は、バックワード補正ニューラルネットワークと称される。ニューラルネットワークは、複数のレイヤを含むディープニューラルネットワーク（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＤＮＮ）を含んでもよい。ディープニューラルネットワークは、完全接続ネットワーク（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｎｅｔｗｏｒｋ、ＦＣＮ）、畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＣＮＮ）、及び、リカレントニューラルネットワーク（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＲＮＮ）のうち少なくとも１つを含んでもよい。例えば、ニューラルネットワーク内の複数のレイヤのうち少なくとも一部は、ＣＮＮに該当し、他の一部は、ＦＣＮに該当する。ＣＮＮは、畳み込みレイヤと称されてよく、ＦＣＮは、完全接続レイヤと称されてもよい。

【0025】

ニューラルネットワークは、ディープラーニングに基づいてトレーニングされた後、非線形関係にある入力データ及び出力データを互いにマッピングすることで、トレーニングの目的に適する推論（ｉｎｆｅｒｅｎｃｅ）を実行することができる。ディープラーニングは、ビッグデータセットから映像又は音声認識のような問題を解決するための機械学習方式である。ディープラーニングは、準備されたトレーニングデータを用いてニューラルネットワークをトレーニングし、エネルギーが最小化される地点に訪ねて行く、最適化問題解決の過程として理解されてもよい。ディープラーニングの教師あり（ｓｕｐｅｒｖｉｓｅｄ）、又は、教師なし（ｕｎｓｕｐｅｒｖｉｓｅｄ）学習を介して、ニューラルネットワークの構造あるいはモデルに対応するウェイト（ｗｅｉｇｈｔ）が求められ、このようなウェイトを介して、入力データ及び出力データが、互いにマッピングされる。ニューラルネットワークの幅及び深さが十分に大きければ、任意の関数を実現できる程度の容量を有し得る。ニューラルネットワークが、適切なトレーニング過程を介して、十分に多い量のトレーニングデータを学習すれば、最適な性能を達成することができる。

【0026】

以下では、ニューラルネットワークが「予め」トレーニングされるものと表現するが、ここでは、「予め」というニューラルネットワークが「開始」される前を示す。ニューラルネットワークが「開始」されたことは、ニューラルネットワークが推論のための準備ができたことを意味する。例えば、ニューラルネットワークが「開始」されたことは、ニューラルネットワークがメモリにロードされたこと、あるいは、ニューラルネットワークがメモリにロードされた後で、ニューラルネットワークに推論のための入力データが入力されたことを含む。

【0027】

ニューラルフォワードモデル４１０は、ターゲット工程のフォワードシミュレーションを行うように、予めトレーニングされ得る。ニューラルフォワードモデル４１０は、入力パターン映像４０２から出力パターン映像４０１を推定するように、入力パターン映像４０２及び出力パターン映像４０１を用いてトレーニングされ得る。ニューラルバックワードモデル４２０は、ターゲット工程のバックワード補正を行うように、予めトレーニングされ得る。ニューラルバックワードモデル４２０は、出力パターン映像４０１から入力パターン映像４０２を推定するよう、入力パターン映像４０２及び出力パターン映像４０１を用いてトレーニングされ得る。

【0028】

入力パターン映像４０２が与えられれば、シミュレーションモデルのシミュレーション結果に応じて、出力パターン映像４０１が生成され得る。シミュレーションモデルが高いシミュレーションの正確度を有する場合、ニューラルフォワードモデル４１０のフォワードシミュレーションは、高い正確度を有することができる。バックワード補正の入力は、フォワードシミュレーションの入力とは異なる分布を有してもよい。例えば、図３に示す第３パターン映像３４０のような希望パターン映像が、バックワード補正の入力として使用されてもよいが、出力パターン映像４０１と、このような希望パターン映像との間には、分布間隙（ｄｉｓｔｒｉｂｕｔｉｏｎ ｇａｐ）が存在し得る。実施形態によれば、傾斜下降法に基づいて、分布間隙による誤差を最小化することができる。

【0029】

図５は、一実施形態に係る逆伝播を用いた補正アップデート過程を例示する図である。図５を参照すると、ターゲット工程のフォワードシミュレーションを行うニューラルフォワードモデル５２０及びターゲット工程のバックワード補正を行うニューラルバックワードモデル５１０が、ロードされる。ニューラルバックワードモデル５１０及びニューラルフォワードモデル５２０は、ターゲット工程のシミュレーション入力に該当する入力パターン映像、及び、ターゲット工程のシミュレーション出力に該当する出力パターン映像に基づいて、トレーニングされる。傾斜下降法による補正最適化の過程とは区分するために、入力パターン映像及び出力パターン映像を利用したトレーニングは、初期トレーニングに呼ぶことができる。

【0030】

初期トレーニング後に、ニューラルバックワードモデル５１０は、希望パターン映像５０１に基づいて、補正結果映像５１１を生成する。初期トレーニング後に、ニューラルフォワードモデル５２０は、補正結果映像５１１に基づいて、シミュレーション結果映像５２１を生成し得る。初期トレーニングによる限界により、希望パターン映像５０１とシミュレーション結果映像５２１との間には誤差が生じ、誤差が減少するように補正が最適化される。

【0031】

補正の最適化を介して、補正結果映像５１１がアップデートされる。補正を最適化するためのアップデート対象は、補正結果映像５１１及びニューラルバックワードモデル５１０を含む。一実施形態によれば、ニューラルバックワードモデル５１０のパラメータ及びニューラルフォワードモデル５２０のパラメータが固定された状態で、誤差を減らす方向に補正結果映像５１１のピクセルが直接的に調節され得る。他の一実施形態によれば、ニューラルフォワードモデル５２０のパラメータが固定された状態で、誤差を減らす方向にニューラルバックワードモデル５１０のパラメータが調節され得る。ニューラルバックワードモデル５１０のパラメータの調節により、補正結果映像５１１のピクセルが間接的に調節されてもよい。パラメータは、ニューラルネットワークの接続加重値のようなネットワークパラメータを含んでもよい。誤差を減らす方向は、傾斜下降法に基づいて決定されてもよい。補正結果映像５１１の反復的なアップデートの結果に基づいて、補正結果映像５１１を確定することができる。

【0032】

図６は、一実施形態に係るニューラルバックワードモデルのアップデートを介して、補正結果映像が間接的にアップデートされる過程を例示する図である。図６を参照すると、希望パターン映像６０１に基づいて、ニューラルバックワードモデル６１０が実行され、希望パターン映像６０１の補正結果映像６０１が生成される。補正結果映像６１１に基づいて、ニューラルフォワードモデル６２０が実行されて、シミュレーション結果映像６２１が生成されてもよい。補正結果映像６１１及びシミュレーション結果映像６２１の生成に前もって、ニューラルバックワードモデル６１０及びニューラルフォワードモデル６２０は、初期トレーニングの手続を介して、予めトレーニングされた状態であってもよい。ニューラルバックワードモデル６１０及びニューラルフォワードモデル６２０は、初期トレーニングの手続を介して予めトレーニングされたパラメータを用いて、補正結果映像６１１及びシミュレーション結果映像６２１を生成することができる。

【0033】

一実施形態によれば、希望パターン映像６０１とシミュレーション結果映像６２１との間の誤差が減少するように、補正結果映像６１１がアップデートされ得る。補正結果映像６１１は、ニューラルバックワードモデル６１０のアップデートを介して、間接的にアップデートされ得る。ニューラルフォワードモデル６２０のパラメータが固定された状態で、希望パターン映像６０１とシミュレーション結果映像６２１との間の誤差が減少するように、ニューラルバックワードモデル６１０のパラメータが調節され得る。ニューラルバックワードモデル６１０のパラメータは、傾斜下降法による、下記の数式（１）を用いて調節される。

【数1】

【0034】

数式（１）において、θはニューラルバックワードモデル６１０のパラメータ、ｔは時間インデックス（ｔｉｍｅ ｉｎｄｅｘ）、ηはステップサイズ（ｓｔｅｐ ｓｉｚｅ）、Ｅは希望パターン映像６０１とシミュレーション結果映像６２１との間の誤差を示す。ηを介して、時間ｔの増加によるアップデート程度が決定される。ニューラルバックワードモデル６１０のアップデートが十分に繰り返され、または、希望パターン映像６０１とシミュレーション結果映像６２１との間の誤差が十分に減少した場合、その反復状態における補正結果映像６１１が、最終バージョンとして決定されてもよい。補正結果映像６１１の最終バージョンの最終補正されたパターンでターゲット工程が実行されれば、希望パターン映像６０１の希望パターンが、工程の結果上に導き出される。

【0035】

図７は、一実施形態に係る補正結果映像が直接的にアップデートされる過程を例示する図である。図７を参照すると、希望パターン映像７０１に基づいて、ニューラルバックワードモデル７１０が実行されて、希望パターン映像７０１の補正結果映像７０１が生成される。補正結果映像７１１に基づいて、ニューラルフォワードモデル７２０が実行されて、シミュレーション結果映像７２１が生成される。補正結果映像７１１及びシミュレーション結果映像７２１の生成に前もって、ニューラルバックワードモデル７１０及びニューラルフォワードモデル７２０は、初期トレーニングの手続を介して、予めトレーニングされた状態であってよい。ニューラルバックワードモデル７１０及びニューラルフォワードモデル７２０は、初期トレーニングの手続を介して予めトレーニングされたパラメータを用いて、補正結果映像７１１及びシミュレーション結果映像７２１を生成することができる。

【0036】

一実施形態によれば、希望パターン映像７０１とシミュレーション結果映像７２１との間の誤差が減少するように、補正結果映像７１１がアップデートされ得る。補正結果映像７１１は、ニューラルバックワードモデル７１０のアップデートなしに、直接的にアップデートされてもよい。ニューラルフォワードモデル７２０のパラメータ及びニューラルバックワードモデル７１０のパラメータが固定された状態で、希望パターン映像７０１とシミュレーション結果映像７２１との間の誤差が減少するように、補正結果映像７１１のピクセルが調節される。補正結果映像７１０のピクセルは、傾斜下降法による、下記の数式（２）を用いて調節される。

【数2】

【0037】

数式（２）において、θはニューラルバックワードモデル７１０のパラメータ、ｔは時間インデックス、ηはステップサイズ、Ｅは希望パターン映像７０１とシミュレーション結果映像７２１との間の誤差を示す。ηを介して、時間ｔの増加によるアップデート程度が決定される。補正結果映像７１１のアップデートが十分に繰り返され、または、希望パターン映像７０１とシミュレーション結果映像７２１との間の誤差が十分に減少した場合、その反復状態における補正結果映像７１１が、最終バージョンとして決定されてもよい。補正結果映像７１１の最終バージョンの最終補正されたパターンでターゲット工程が実行されると、希望パターン映像７０１の希望パターンが、工程結果上に導き出される。

【0038】

図８は、一実施形態に係る各希望パターン映像の補正結果映像の個別的な最適化過程を例示する図である。実施形態に係る補正の最適化は、各希望パターン映像に関して個別的に実行されてもよい。図８を参照すると、第１希望パターン映像８１１に関する個別的な補正の最適化を介して、第１補正結果映像８１３が決定され、第２希望パターン映像８２１に関する個別的な補正の最適化を介して、第２補正結果映像８２３が決定される。

【0039】

半導体生産のためのターゲット工程のフォワードシミュレーションを行うニューラルフォワードモデル８０１、及び、ターゲット工程のバックワード補正を行うニューラルバックワードモデル８０２がロードされる。ニューラルフォワードモデル８０１及びニューラルバックワードモデル８０２は、ターゲット工程のシミュレーション入力に該当する入力パターン映像及びターゲット工程のシミュレーション出力に該当する出力パターン映像に基づいて、トレーニングされてよい。ターゲット工程は、現像工程及び／又はエッチング工程を含んでもよい。

【0040】

ニューラルフォワードモデル８０１及びニューラルバックワードモデル８０２を用いて、第１希望パターン映像８１１による第１補正結果映像８１３が生成される。より具体的に、第１希望パターン映像８１１に基づいて、ニューラルバックワードモデル８０１が実行されて、第１希望パターン映像８１１の第１補正結果映像８１２が生成されてもよい。第１補正結果映像８１２は、臨時バージョンに該当し、第１補正結果映像８１３は、確定されたバージョンに該当する。

【0041】

第１補正結果映像８２１に基づいて、ニューラルフォワードモデル８０１が実行されて、第１シミュレーション結果映像が生成される。第１希望パターン映像８１１と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像８１２がアップデートされてよい。第１補正結果映像８１２は、直接的あるいは間接的にアップデートされてもよい。第１補正結果映像８１２の反復的なアップデート結果に基づいて、第１補正結果映像８１３を確定することができる。

【0042】

ニューラルフォワードモデル８０１及びニューラルバックワードモデル８０２を用いて、第２希望パターン映像８２１による第２補正結果映像８２３が生成される。第２希望パターン映像８２１に基づいて、ニューラルバックワードモデル８０２が実行されて、第２希望パターン映像８２１の第２補正結果映像８２２が生成されてもよい。第２補正結果映像８２２は、臨時バージョンに該当し、第２補正結果映像８２３は、確定したバージョンに該当する。

【0043】

第２補正結果映像８２２に基づいて、ニューラルフォワードモデル８０１が実行されて、第２シミュレーション結果映像が生成される。第２希望パターン映像８２１と第２シミュレーション結果映像との間の誤差が減少するように、第２補正結果映像８２２がアップデートされてよい。第２補正結果映像８２２は、直接的あるいは間接的にアップデートされてもよい。第２補正結果映像８２２の反復的なアップデート結果に基づいて、第２補正結果映像８２３を確定することができる。

【0044】

確定されたバージョンの第１補正結果映像８１３は、第１希望パターン映像８１１に対する個別的な最適化結果に該当し、確定したバージョンの第２補正結果映像８２３は、第２希望パターン映像８２１に対する個別的な最適化結果に該当する。補正の最適化過程で、第１補正結果映像８１３及び第２補正結果映像８１４が間接的に最適化される場合、言い換えれば、ニューラルフォワードモデル８０１のパラメータが固定された状態で、第１希望パターン映像８１１と第１シミュレーション結果映像との間の誤差が減少するように、ニューラルバックワードモデル８０２のパラメータが調節され、ニューラルフォワードモデル８０１のパラメータが固定された状態で、第２希望パターン映像８２１と第２シミュレーション結果映像との間の誤差が減少するように、ニューラルバックワードモデル８０２のパラメータが調節される場合、確定したバージョンの第１補正結果映像８１３に対応するニューラルバックワードモデル８０２のパラメータ値と、確定したバージョンの第２補正結果映像８２３に対応するニューラルバックワードモデル８０２のパラメータ値とは、それぞれ異なってもよい。

【0045】

図９は、一実施形態に係るニューラル補正方法を例示するフローチャートである。図９を参照すると、ニューラル補正装置は、ステップＳ９１０において、半導体生産のための第１工程のフォワードシミュレーションを行うニューラルフォワードモデル、及び、第１工程のバックワード補正を行うニューラルバックワードモデルをロードし、ステップＳ９２０において、第１希望パターン映像に基づいて、ニューラルバックワードモデルを実行し、ステップＳ９３０において、第１補正結果映像に基づいて、ニューラルフォワードモデルを実行して、第１シミュレーション結果映像を生成し、ステップＳ９４０において、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像をアップデートする。

【0046】

ニューラル補正装置は、第１工程のシミュレーション入力に該当する入力パターン映像、及び、第１工程のシミュレーション出力に該当する出力パターン映像を受信するステップ、ニューラルフォワードモデルが入力パターン映像から、出力パターン映像を推定するように、入力パターン映像及び出力パターン映像を用いて、ニューラルフォワードモデルに対する初期トレーニングを行うステップ、及び、ニューラルバックワードモデルが、出力パターン映像から入力パターン映像を推定するように、入力パターン映像及び出力パターン映像を用いて、ニューラルバックワードモデルに対する初期トレーニングを行うステップ、をさらに行う。

【0047】

ステップＳ９４０は、ニューラルフォワードモデルのパラメータが固定された状態で、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、ニューラルバックワードモデルのパラメータを調節するステップ、を含む。

【0048】

ステップＳ９４０は、ニューラルフォワードモデルのパラメータ、及び、ニューラルバックワードモデルのパラメータが固定された状態で、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、第１補正結果映像のピクセルを調節するステップを含んでもよい。

【0049】

ステップＳ９４０は、傾斜下降法に基づいて、第１補正結果映像をアップデートするステップを含む。

【0050】

ニューラル補正装置は、第１補正結果映像の反復的なアップデート結果に基づいて、第１補正結果映像を確定するステップ、第２希望パターン映像に基づいて、ニューラルバックワードモデルを実行して、第２希望パターン映像の第２補正結果映像を生成するステップ、第２補正結果映像に基づいて、ニューラルフォワードモデルを実行して、第２シミュレーション結果映像を生成するステップ、及び、第２希望パターン映像と第２シミュレーション結果映像との間の誤差が減少するように、第２補正結果映像をアップデートするステップ、をさらに含んでもよい。

【0051】

ニューラル補正装置は、第２補正結果映像の反復的なアップデート結果に基づいて、第２補正結果映像を確定するステップ、をさらに含んでもよい。第１補正結果映像の確定されたバージョンは、第１希望パターン映像に対する個別的な最適化結果に該当し、第２補正結果映像の確定したバージョンは、第２希望パターン映像に対する個別的な最適化結果に該当する。

【0052】

第１補正結果映像をアップデートするステップは、ニューラルフォワードモデルのパラメータが固定された状態で、第１希望パターン映像と第１シミュレーション結果映像との間の誤差が減少するように、ニューラルバックワードモデルのパラメータを調節するステップを含み、第２補正結果映像をアップデートするステップは、ニューラルフォワードモデルのパラメータが固定された状態で、第２希望パターン映像と第２シミュレーション結果映像との間の誤差が減少するように、ニューラルバックワードモデルのパラメータを調節するステップを含み、第１補正結果映像の確定したバージョンに対応するニューラルバックワードモデルのパラメータ値と、第２補正結果映像の確定したバージョンに対応するニューラルバックワードモデルのパラメータ値は、それぞれ異なってもよい。

【0053】

第１工程は、現像工程及びエッチング工程のうち少なくとも１つを含んでもよい。

【0054】

その他に、図９に示すニューラル補正方法に、図１～図８、図１０、及び、図１１の説明が適用されてもよい。

【0055】

図１０は、一実施形態に係るニューラル補正装置の構成を例示するブロック図である。図１０を参照すると、ニューラル補正装置１０００は、プロセッサ１０１０及びメモリ１０２０を含む。メモリ１０２０は、プロセッサ１０１０に接続され、プロセッサ１０１０によって実行可能な命令語、プロセッサ１０１０が演算するデータ、又は、プロセッサ１０１０によって処理されたデータ、を格納してもよい。メモリ１０２０は、非一時的なコンピュータで読み出し可能な記録媒体、例えば、高速ランダムアクセスメモリ及び／又は非揮発性コンピュータ読み出し可能な格納媒体（例えば、１つ以上のディスク格納装置、フラッシュメモリ装置、又は、その他の非揮発性固体メモリ装置）を含んでもよい。

【0056】

プロセッサ１０１０は、図１～図９、及び、図１１の動作を行うための命令語を実行する。例えば、プロセッサ１０１０は、半導体生産のための第１工程のフォワードシミュレーションを行うニューラルフォワードモデル、及び、前記第１工程のバックワード補正を行うニューラルバックワードモデルをロードし、第１希望パターン映像に基づいて、前記ニューラルバックワードモデルを実行して、前記第１希望パターン映像の第１補正結果映像を生成し、前記第１補正結果映像に基づいて、前記ニューラルフォワードモデルを実行して、第１シミュレーション結果映像を生成し、前記第１希望パターン映像と前記第１シミュレーション結果映像との間の誤差が減少するように、前記第１補正結果映像をアップデートする。その他に、ニューラル補正装置１０００に、図１～図９、及び、図１１の説明が適用されてもよい。

【0057】

図１１は、一実施形態に係る電子装置の構成を例示するブロック図である。図１１を参照すると、電子装置１１００は、プロセッサ１１１０、メモリ１１２０、カメラ１１３０、格納装置１１４０、入力装置１１５０、出力装置１１６０、及び、ネットワークインターフェース１１７０を含み、これらは、通信バス１１８０を介して通信することができる。例えば、電子装置１１００は、移動電話、スマートフォン、ＰＤＡ、ネットブック、タブレットコンピュータ、ラップトップコンピュータなどのようなモバイル装置、スマートウォッチ、スマートバンド、スマートメガネなどのようなウェアラブルデバイス、デスクトップ、サーバなどのようなコンピューティング装置、テレビ、スマートテレビ、冷蔵庫などのような家電製品、ドアラックなどのようなセキュリティー装置、自律走行車両、スマート車両などのような車両、の少なくとも一部として実現され得る。電子装置１１００は、図１０に示すニューラル補正装置１０００を構造的及び／又は機能的に含んでもよい。

【0058】

プロセッサ１１１０は、電子装置１１００内で実行するための機能及び命令語を実行する。例えば、プロセッサ１１１０は、メモリ１１２０又は格納装置１１４０に格納された命令語を処理することができる。プロセッサ１１１０は、図１～図１０を参照して説明された１つ以上の動作を行うことができる。メモリ１１２０は、コンピュータ読み出し可能な格納媒体又はコンピュータで読み出し可能な格納装置を含んでよい。メモリ１１２０は、プロセッサ１１１０により実行するための命令語を格納し、電子装置１１００によってソフトウェア及び／又はアプリケーションが実行される間に関連情報を格納することができる。

【0059】

カメラ１１３０は、写真及び／又はビデオを撮影する。格納装置１１４０は、コンピュータで読み出し可能な格納媒体、又は、コンピュータで読み出し可能な格納装置を含む。格納装置１１４０は、メモリ１１２０よりもさらに多い量の情報を格納し、情報を長期間格納し得る。例えば、格納装置１１４０は、磁気ハードディスク、光ディスク、フラッシュメモリ、フロッピーディスク、又は、この技術分野で知られた他の形態の不揮発性メモリを含んでもよい。

【0060】

入力装置１１５０は、キーボード及びマウスを通した伝統的な入力方式、並びに、タッチ入力、音声入力、及び、イメージ入力のような新しい入力方式を介して、ユーザから入力を受信する。例えば、入力装置１１５０は、キーボード、マウス、タッチスクリーン、マイクロホン、又は、ユーザから入力を検出し、検出された入力を電子装置１１００に伝達できる、任意の他の装置を含んでよい。出力装置１１６０は、視覚的、聴覚的、又は、触覚的なチャネルを介して、ユーザに、電子装置１１００の出力を提供することができる。出力装置１１６０は、例えば、ディスプレイ、タッチスクリーン、スピーカ、振動発生装置、又は、ユーザに出力を提供できる、任意の他の装置を含んでよい。ネットワークインターフェース１１７０は、有線又は無線ネットワークを介して、外部装置と通信できる。

【0061】

以上で説明された実施形態は、ハードウェア構成要素、ソフトウェア構成要素、又は、ハードウェア構成要素及びソフトウェア構成要素の組み合せで具現される。例えば、本実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサー、又は、命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答する、異なる装置のような、１つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて、具現される。処理装置は、オペレーティングシステム（ＯＳ）及びオペレーティングシステム上で実行される１つ以上のソフトウェアアプリケーションを実行する。また、処理装置は、ソフトウェアの実行に応答して、データをアクセス、格納、操作、処理、及び、生成する。理解の便宜のために、処理装置は、１つが使用されるものとして説明する場合もあるが、当技術分野で通常の知識を有する者であれば、処理装置は、複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び／又は複数類型の処理要素を含むことを把握する。例えば、処理装置は、複数のプロセッサ、又は、１つのプロセッサ、及び、１つのコントローラを含む。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような、他の処理構成も可能である。

【0062】

ソフトウェアは、コンピュータプログラム、コード、命令、又は、そのうちの一つ以上の組合せを含み、希望の通りに動作するよう処理装置を構成し、または、独立的又は結合的に処理装置を命令することができる。ソフトウェア及び／又はデータは、処理装置によって解釈され、または、処理装置に命令又はデータを提供するために、いずれかの類型の機械、構成要素、物理的装置、仮想装置、コンピュータ格納媒体、又は装置、もしくは、送信される信号波に、永久的又は一時的に具体化することができる。ソフトウェアは、ネットワークに連結されたコンピュータシステム上に分散され、分散した方法で、格納され、または、実行され得る。ソフトウェア及びデータは、一つ以上のコンピュータで読出し可能な記録媒体に格納され得る。

【0063】

本実施形態による方法は、様々なコンピュータ手段を介して実施されるプログラム命令の形態で具現され、コンピュータ読み取り可能な記録媒体に記録される。記録媒体は、プログラム命令、データファイル、データ構造などを、単独又は組み合せて含む。記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものであってよく、コンピュータソフトウェア分野の技術を有する当業者にとって、公知のものであり、使用可能なものであってよい。コンピュータ読み取り可能な記録媒体の例として、ハードディスク、フロッピー（登録商標）ディスク、及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスクのような磁気－光媒体、及び、ＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置、を含む。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行される、高級言語コードを含む。

【0064】

上記で説明したハードウェア装置は、本発明に示す動作を実行するために、１つ以上のソフトウェアモジュールとして作動するように構成してよく、その逆も、また、同様である。

【0065】

上述したように、実施形態が限定された図面によって説明されてきたが、当技術分野で通常の知識を有する者であれば、上記の説明に基づいて、様々な技術的な修正及び変形を適用することができる。例えば、説明された技術が、説明された方法と異なる順に実行されてよく、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態に結合又は組み合わせられてもよく、他の構成要素又は均等物によって置き換え又は置換されたとしても、適切な結果を達成することができる。

【0066】

したがって、他の具現、他の実施形態、および、特許請求の範囲と均等なものも、また、後述する特許請求の範囲に属するものである。

【符号の説明】

【0067】

１１０ 第１ステージ
１１１ ウェハー
１２０ 第２ステージ
１２１ フォトレジスト
１３０ 第３ステージ
１３１ マスク
１４０ 第４ステージ
１５０ 第５ステージ
１６０ 第６ステージ
３１０ 第１パターン映像
３２０ 第２パターン映像
３３０ 第３パターン映像
３４０ 第４パターン映像
３５０ 第５パターン映像
３６０ 第６パターン映像

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】