포토 리소그래피(Photo Lithography) 공정은 반도체 재료인 실리콘 웨이퍼에 회로 패턴을 만드는 과정입니다. 도포(coating), 마스크 정렬(mask alignment), 노광(exposure), 현상(development) 등의 세부공정으로 진행됩니다. 필름 사진을 현상하는 것과 같은 비슷합니다.
반도체 미세공정이 20나노(nm), 16나노, 7나노, 5나노로 작아지면서 리소그래피 공정은 점점 어려워지고 있습니다. 넓은 붓을 이용해 가는 선을 정밀하게 칠하는 것과 같은 정교한 작업이 요구됩니다. 작은 스케치북에 가는 선을 선명하게 그리는 것은 쉬운 일이 아닙니다. 당연히 패턴 오류 현상이 많이 발생됩니다. 잘못된 패턴을 찾아내 빠르게 수정하는 작업이 중요해졌습니다. 잘못된 패턴을 리소그래피 핫스팟(Lithography hotspot)이라고 부릅니다.
리소그래피 핫스팟은 회로설계 레이아웃에서 특정 패턴의 인쇄성이 좋지 않아 치명적인 핀칭(개방회로)이나 브리징(단락) 오류가 발생하기 쉬운 곳을 말합니다. 웨이퍼 수율을 저하시키는 요소입니다. 레이아웃에서 바람직하지 않은 패턴이 발생하는 것을 방지하려면 초기 회로설계 단계에서 핫스팟을 찾아내야 합니다. 핫스팟을 찾는 방법은 레이아웃에서 리소그래피 시뮬레이션을 실행하는 방법이 가장 효과적입니다.
리소그래피 시뮬레이션을 실행하면 레이아웃에서 변동되거나 잘못된 사항을 직접 관측할 수 있습니다. 발견된 핫스팟을 제거해 수율을 높이고 제품의 안정성을 높일 수 있습니다.
DFM(Design for Manufacturing) 방법론(제조의 상황을 고려해 설계한 반도체 회로)을 사용해 리소그래피 핫스팟의 위치를 찾아내면 수정이 더 빨라집니다. 설계 공정의 초기에 레이아웃을 쉽게 수정할 수도 있습니다. 설계자뿐 아니라 프로세스와 제조팀에게도 도움이 됩니다. 설계부터 제조를 개시할 준비를 하는데까지 필요한 총시간을 단축해주며 제조 프로세스와 결과까지 개선할 수 있습니다.
그러나 리소그래피 시뮬레이션은 비용과 시간이 너무 많이 듭니다. 이를 개선시키기 위한 방법으로 시뮬레이션에 앞서 패턴 매칭(Pattern matching)을 실행하는 방식이 있습니다. 핫스팟과 어느 정도 닮은 토폴로지(topology) 근방에서만 시뮬레이션하고 다른 지역은 제외하는 체계를 설계할 수 있습니다. 결과적으로 시뮬레이션으로 보내는 데이터의 양을 줄이면 시뮬레이션 런타임이 짧아집니다.
다른 방법으로 기계학습(Machine Learning)이 있습니다. 머신러닝 기술을 활용해 핫스팟을 탐지하면 빠르고 정확하게 결과물을 찾을 수 있습니다. 공정설계키트(PDK) 개발 당시에 알려지지 않았던 새로운 핫스팟까지 감지해 냅니다. 머신러닝은 경험으로 축적된 데이터를 기반으로 학습을 하고 예측을 수행하는 기술입니다.
전자설계자동화(EDA) 분야 전문업체인 멘토, 지멘스 비즈니스는 리소그래피 핫스팟을 빠르고 간편하게 감지하기 위한 방법으로 머신러닝(기계학습)을 활용한 EDA 툴 'Calibre LFD(Litho Friendly Design)' 솔루션을 제공하고 있습니다. 이 회사가 작성한 백서 '머신러닝으로 리소그래피 핫스팟 감지 개선'에선 회로설계 초기 단계에서 리소그래피 공정 변동성을 관리하는 방법과 문제 해결 방안이 담겨 있습니다.
독자 여러분의 많은 관심 부탁드립니다.
