《Materials Science in Semiconductor Processing》：Laser direct writing rapid inversion lithography method based on generative adversarial network
编辑推荐：
针对激光直接写入光刻中光学邻近效应导致的大规模布局优化效率低的问题，本文提出一种基于生成对抗网络（GAN）的逆向光刻优化模型，引入编码器-解码器结构并设计联合训练策略，显著提升优化效率（0.299秒，较传统方法快1000倍）和精度（SSIM达99.94%，线宽误差从0.215μm降至0.006μm），为半导体量产提供创新解决方案。
Jiaxin Ji|Chen Liang|Fengming Zhu|Yuxuan Li|Bin Wei
中国石油大学（华东）机械与电子工程学院，青岛，266580，中国
摘要
激光直写光刻的精度受到光学邻近效应的影响，这使得传统的校正方法在处理大规模布局时效率低下，无法满足半导体行业的生产需求。为了解决这一挑战，本研究提出了一种基于生成对抗网络（GAN）的激光直写逆向光刻优化模型。由于标准GAN模型无法直接将输入映射到输出数据，本研究通过添加编码器和解码器模块，并采用目标布局与优化布局的联合训练策略来改进生成器架构，从而显著提高了模型的收敛速度。实验结果表明，所提模型在测试图案上的布局优化时间为0.299秒，比传统的基于模型的优化方法（346.467秒）快1000多倍。结果还显示，优化后的输出布局与目标图案之间的结构相似度指数（SSIM）达到了99.94%。此外，优化后图案的临界尺寸控制精度也得到了显著提升。具体而言，最大线宽误差从0.215微米减小到0.006微米，平均线宽误差百分比从22.20%降低到3.33%。因此，所提模型能够显著提高激光直写光刻的处理精度和优化效率，为大规模生产提供了创新解决方案。
引言
激光直写光刻技术因其低成本、高精度和高灵活性而在微纳制造领域得到了广泛应用[1]。然而，随着图案特征尺寸的减小，光学邻近效应对处理精度的影响显著增加，主要表现为工艺缺陷，如角部圆化、线宽不均匀和线端缩短[2,3]，这严重限制了激光直写光刻技术在亚微米级图案制造中的应用。为了解决这一问题，近期研究提出了光学邻近校正（OPC）技术[4]，旨在通过优化布局设计来减少图案失真。然而，传统的基于模型的光学邻近校正（MB-OPC）方法面临多个挑战，包括计算复杂度高和大规模布局的优化时间过长[5]。因此，在保持校正精度的同时进一步优化大规模布局已成为当前研究的关键挑战。
最常用的OPC优化算法包括梯度迭代算法、启发式算法和压缩感知算法。梯度迭代算法主要包括最速下降（SD）算法、共轭梯度（CG）算法和随机梯度下降（SGD）算法[[6], [7], [8]]。尽管这些算法在OPC中得到了广泛应用，但它们计算效率低、收敛速度慢且解决方案精度有限。常见的启发式算法包括粒子群优化、模拟退火和遗传算法[[9], [10], [11]]，但这些算法也存在计算复杂度高和难以保证全局最优解的挑战，从而影响了其效率和准确性。光刻掩模优化算法通常计算量较大，但机器学习为OPC提供了新的解决方案[[12], [13], [14], [15]]。然而，早期的研究并未考虑光刻的物理模型，而是仅根据优化后的掩模特征训练神经网络，导致了一系列问题，如工艺窗口过窄[[17], [18], [19], [20]]。最近的研究将机器学习与光刻技术相结合，以提高优化效率和准确性。例如，Gu等人[21]提出了一种基于线性回归的光学邻近效应校正方法，通过简化模型降低了计算复杂度。Ma等人[22]使用非参数核回归方法进一步提高了像素级OPC的计算效率。Luo等人[23]提出了一种基于支持向量机的布局重定向方法，通过机器学习加速了布局优化过程。Hur J. Y.和Seo M. S[24]引入了一种用于DMD无掩模光刻的OPC方法。同时，Chen J. T等人[25]采用数字逆向光刻技术（DILT）优化了DMD和SLM系统中的图案调制系数，显著减少了图案误差。此外，Chen J. T., Zhao Y. Y.和Guo X[26]使用深度学习驱动的数字逆向光刻技术（DILT）提高了DMD无掩模光刻的图案精度，为高精度光刻提供了创新解决方案。Guo X等人[27]还为DMD无掩模光刻中的亚波长热点图案开发了专门的OPC策略。
然而，尽管现有方法在一定程度上提高了布局优化的效率，但激光直写光刻系统仍然存在效率不足和精度低的问题。特别是光学邻近效应的高复杂性使得传统优化方法的直接应用变得困难。与常规方法不同，生成对抗网络（GAN）通过生成器与判别器之间的对抗学习，在处理图案生成问题方面具有独特优势。具体来说，生成器从随机噪声中生成合成数据，而判别器判断数据是否真实。通过对抗训练，生成器可以不断优化，最终生成高度逼真的图像。GAN在图像生成方面效率很高，特别适合需要快速生成高精度图案的应用。
为了解决当前领域中的挑战，本研究提出了一种基于GAN的激光直写逆向光刻模型，该模型采用了编码器-解码器架构。由于标准GAN无法直接从现有图案生成新图案，本研究改进了GAN生成器，并用编码器-解码器结构替换了网络架构，以从输入图案生成优化后的图案。为此，设计了一个优化的损失函数和一个有效的优化器来构建GAN激光直写布局逆向光刻模型。该模型基于基于边缘的激光直写光学邻近效应校正方法生成的数据集进行训练，并通过计算生成图案与真实图案之间的结构相似度来验证其精度。最后，通过光刻实验比较和验证优化前后的图案，进一步验证了图案优化的有效性。所提模型为提高激光直写光刻的处理精度和优化效率提供了创新解决方案，为大规模工业生产中的光刻布局优化提供了强有力的技术支持。
章节片段
逆向光刻模型
标准GAN模型由两个主要模块组成：生成器和判别器。生成器生成合成数据，判别器区分真实数据和合成数据。然而，在光刻布局优化任务中，标准GAN架构难以直接将输入的目标布局映射到输出的优化掩模图案。为了解决这个问题，本研究通过引入编码器和解码器模块来改进生成器架构，以提高效率
训练结果和评估
在模型训练过程中，采用了随机数据集打乱策略以防止过拟合并提高模型的泛化性能。根据实验验证，训练周期的最佳数量设置为100，批量大小设置为16。生成器和判别器的损失函数显示，在大约70个周期后两者都达到了收敛，建立了稳定的动态平衡。
结论
本研究提出了一种基于GAN的逆向光刻模型，显著提高了OPC效率。通过引入编码器-解码器模块并对目标和优化布局进行联合训练，该模型能够在0.299秒内优化测试布局，相比传统方法（346.467秒）提高了1000多倍的效率。实验和仿真结果证明了这一点
CRediT作者贡献声明
Jiaxin Ji：概念化。Chen Liang：撰写 – 审稿与编辑。Fengming Zhu：研究调查。Yuxuan Li：数据整理。Bin Wei：形式分析。
数据
本手稿中呈现的结果所基于的数据目前尚未公开，但可以根据合理请求从相应作者处获取。
资助
本研究得到了国家自然科学基金（项目编号：52575256）、山东省自然科学基金（项目编号：ZR2023ME213）、中央高校基本科研业务费（项目编号：25CX02015A）以及中国石油大学（华东）机械与电子工程学院的高端海上油气装备设计与制造重点实验室的资助。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
作者衷心感谢所有为这项研究做出贡献的技术人员。
