基于自监督学习的刻蚀工艺建模：弥合仿真与实验数据之间的鸿沟

《Knowledge-Based Systems》：Self-supervised learning based etching process modeling: Bridging simulation and experimental data

　　

摘要专业翻译 为实现更高性能和更高密度的集成电路，业界提出了多种复杂器件结构，如全环绕栅极场效应晶体管（Gate-All-Around Field Effect Transistor, GAAFET）和互补场效应晶体管（Complementary Field Effect Transistor, CFET）。其中，光刻、刻蚀和沉积等工艺尤为关键。刻蚀作为半导体制造中的关键步骤之一，其仿真可辅助工程师预测不同参数和条件下的刻蚀效果，从而实现更高效的刻蚀工艺优化。传统刻蚀仿真方法（如弦线法（string method）、水平集法（level set method）和蒙特卡洛法（Monte Carlo method））虽能捕捉刻蚀过程的变异性，但通常耗时且计算密集，远慢于实际刻蚀过程。基于深度学习的智能模型可将仿真算法加速至近实时响应并保持低误差，然而这类模型纯粹由数据驱动，需要大量数据进行训练。由于仿真数据丰富且易于生成，主流智能方法依赖仿真数据进行训练和验证，但由仿真数据训练的模型难以泛化到实际应用场景。刻蚀工艺实验数据昂贵且稀缺，不足以支撑模型训练。关键挑战不仅在于实验数据有限，还在于仿真域与实验域之间的差异。为弥合仿真与真实刻蚀场景之间的鸿沟，研究人员提出了一种基于交叉卷积神经网络（Cross Convolutional Neural Network, CCNN）的自监督学习（Self-supervised Learning, SSL）框架。横向卷积模块通过在大规模仿真数据集上进行轮廓重建（profile reconstruction）预训练，随后迁移至实验域，其余模块使用小型实验数据集进行微调。该框架能够从仿真数据中学习可迁移的轮廓表征，同时减少对稀缺实验数据的依赖。主要贡献如下：研究人员开发了一种自监督学习框架，在大规模仿真数据集上预训练自编码网络，随后在小型实验数据集上微调，实现真实场景中的智能刻蚀轮廓预测；研究人员提出了一种新颖的CCNN架构，联合建模刻蚀过程中的轮廓信息与时间信息，其解耦结构支持分阶段特征提取和不同模块的独立训练；研究人员构建了仿真和实验数据集并进行实验验证，证明了所提出的自监督学习框架和CCNN架构的有效性。与直接微调相比，所提方法将预测误差降低了19.2%。

论文解读文章

一、研究背景与问题

随着集成电路向更高性能和更高密度方向发展，全环绕栅极场效应晶体管（Gate-All-Around Field Effect Transistor, GAAFET）和互补场效应晶体管（Complementary Field Effect Transistor, CFET）等复杂器件结构被相继提出。这些新型器件的实现不仅需要创新设计，更需要更加精密的制造工艺。在光刻、刻蚀和沉积等关键工艺中，刻蚀作为半导体制造的核心步骤之一，其工艺优化对最终器件性能具有决定性影响。

刻蚀工艺仿真能够帮助工程师预测不同参数和条件下的刻蚀效果，从而减少试错成本并提高生产效率。然而，传统刻蚀仿真方法包括弦线法（string method）、水平集法（level set method）和蒙特卡洛法（Monte Carlo method）等，虽然能够捕捉刻蚀过程的变异性，但通常计算量大、耗时严重，远慢于实际刻蚀过程。因此，当前刻蚀工艺优化工作流主要依赖实验，仿真仅起辅助作用。建立高效的刻蚀仿真模型有望重塑整个刻蚀工艺优化工作流。

基于深度学习的智能模型能够将仿真算法加速到近实时响应并保持较低误差，但这类纯数据驱动模型需要大量训练数据。由于仿真数据丰富且易于生成，主流智能方法依赖仿真数据进行训练和验证。然而，由仿真数据训练的模型难以泛化到真实应用场景。刻蚀工艺实验数据昂贵且稀缺，不足以支撑模型训练。更为关键的是，仿真域与实验域之间存在差异，仿真数据中学习到的表征可能因物理特性和数据分布的差异而无法直接迁移到实验条件。在有限的实验监督下，传统的监督式迁移学习难以有效适配这些表征。因此，如何在稀缺实验数据条件下构建实用的智能刻蚀模型仍是一个开放问题。

二、研究内容与结论

为解决上述问题，研究人员提出了一种基于交叉卷积神经网络（Cross Convolutional Neural Network, CCNN）的自监督学习（Self-supervised Learning, SSL）框架。该框架的横向卷积模块通过在大规模仿真数据集上进行轮廓重建预训练，随后迁移至实验域，其余模块使用小型实验数据集进行微调。这一方法使得模型能够从仿真数据中学习可迁移的轮廓表征，同时减少对稀缺实验数据的依赖。

通过构建仿真和实验数据集并进行实验验证，研究人员证明了所提出的自监督学习框架和CCNN架构的有效性。实验结果表明，与直接微调方法相比，所提方法将预测误差（Mean Absolute Error, MAE）降低了19.2%，显著提升了刻蚀轮廓预测的精度和泛化能力。

三、关键技术方法

研究人员主要采用了以下几项关键技术方法：

第一，自监督学习（Self-supervised Learning, SSL）框架：采用基于重建的自监督学习范式，以刻蚀轮廓本身作为监督信号，通过自编码器（autoencoder）的前置任务重建输入轮廓，在大规模仿真数据上预训练编码器，无需实验标签即可学习可迁移的表征。

第二，交叉卷积神经网络（Cross Convolutional Neural Network, CCNN）架构：该网络联合建模刻蚀过程中的轮廓信息与时间信息，其解耦结构支持分阶段特征提取和不同模块的独立训练。横向卷积模块作为编码器，在仿真数据上预训练后迁移至实验域。

第三，仿真到实验的迁移学习策略：预训练后的编码器迁移至实验域，其余模块使用小型实验数据集进行微调，实现从大规模仿真数据到稀缺实验数据的有效知识迁移。

四、研究结果

4.1 自监督预训练的有效性

研究人员在大规模仿真数据集上对CCNN的横向卷积模块进行轮廓重建预训练，使模型能够从仿真轮廓中学习到具有可迁移性的表征。这一预训练过程不依赖实验标签，充分利用了仿真数据丰富且易生成的优势。

4.2 实验域微调的性能提升

将预训练后的编码器迁移至实验域，并使用小型实验数据集对剩余模块进行微调。实验结果表明，与直接使用仿真数据训练后微调的方法相比，所提出的自监督学习框架显著降低了预测误差，MAE降低了19.2%，验证了自监督预训练对提升模型在实验域泛化能力的有效性。

4.3 CCNN架构的优势

CCNN的解耦结构使得横向卷积模块能够独立预训练，而纵向模块和预测模块可在实验域单独微调。这种分阶段特征提取和独立训练的设计，有效解决了仿真域与实验域之间的分布差异问题，使得模型在有限实验数据下仍能获得良好的刻蚀轮廓预测性能。

五、讨论与结论

研究人员指出，与现有依赖仿真域监督学习后微调的方法不同，所提出的框架在实验适配之前引入了自监督轮廓重建步骤。通过利用轮廓本身作为监督信号，该方法能够在无需额外标签的情况下，从大量仿真轮廓中学习可迁移的表征。因此，该方法不仅关注预测模型的迁移，更关注学习一种可在有限实验数据下有效适配的可迁移轮廓表征。

研究结论表明，所提出的基于自监督学习的CCNN框架能够有效弥合仿真与实验数据之间的鸿沟，在实验数据稀缺的条件下实现高精度的刻蚀轮廓预测。该方法为半导体制造中的刻蚀工艺优化提供了一种高效且实用的智能建模方案，具有重要的应用价值。未来工作可进一步探索该框架在三维刻蚀建模、其他半导体工艺步骤以及更复杂的器件结构中的应用。