《Electronics》：From Lithography to Nanoimprint: Physics-Based, Data-Driven, and Hybrid Frameworks for Defect Prediction in Advanced Patterning Technologies
编辑推荐：
先进图形化技术已从直接光学图像转移演变为预测性制造框架，其中缺陷由成像物理学、材料响应、工艺变化和计算校正共同塑造。从分辨率增强技术（RET）和光学邻近校正（OPC）的发展开始，本综述追溯了传统光学光刻如何成为现代计算光刻的基础。然后讨论扩展到极紫外光刻（EU
先进图形化技术已从直接光学图像转移演变为预测性制造框架，其中缺陷由成像物理学、材料响应、工艺变化和计算校正共同塑造。从分辨率增强技术（RET）和光学邻近校正（OPC）的发展开始，本综述追溯了传统光学光刻如何成为现代计算光刻的基础。然后讨论扩展到极紫外光刻（EUVL）和纳米压印光刻（NIL），其中缺陷机制不再遵循相同的几何驱动校正逻辑。EUVL引入了随机抗蚀剂响应、光子限制可变性和掩模3D（3D）效应，而NIL将主要缺陷起源转向抗蚀剂填充、残留层变化、模板相互作用、粘弹性变形和脱模。本综述从以OPC为中心的角度关注缺陷预测的两种主要建模范式：提供机制级可解释性的物理基础框架，以及实现快速模式识别、热点检测、版图到图像预测和不确定性感知筛选的数据驱动框架。最近的进展还指出，混合物理-机器学习（ML）框架通过协同结合物理约束、模拟衍生知识和数据驱动推理，是一条有前景的前进道路。总之，本综述强调了从轮廓校正到光学光刻、EUVL和NIL中物理基础、数据高效和不确定性感知的缺陷预测的转变。
**1.1. RET and OPC in Optical Lithography**
光学光刻中，由于衍射极限，印刷图案与掩模几何形状存在系统性偏差，如拐角圆角和线端缩短。数值孔径（NA）、照明条件和抗蚀剂响应共同影响临界尺寸（CD）。分辨率增强技术（RET）通过相移掩模（PSM）、亚分辨率辅助特征（SRAF）和离轴照明（OAI）等，主动修改光学成像响应以补偿可预测的衍射失真。源-掩模优化（SMO）将RET集成到计算框架中。光学邻近校正（OPC）进一步通过规则驱动（RB-OPC）或模型驱动（MB-OPC）方式修改掩模几何，以补偿布局依赖的邻近效应。MB-OPC基于校准的光学和工艺模型，迭代调整掩模边缘直至模拟轮廓接近目标，奠定了计算光刻的基础。工艺感知OPC还将刻蚀模型纳入，使校正目标从显影后检查（ADI）轮廓转向刻蚀后检查（AEI）轮廓，并扩展至工艺窗口感知校正，以维持图案在制造变化下的稳定性。
**1.2. Repositioning Nanoimprint Lithography in Advanced Patterning**
先进图形化技术沿摩尔定律（More Moore）和超越摩尔（More-than-Moore）两个方向演化。ArF浸没光刻通过多图案化延伸节点，但引入叠加误差、刻蚀偏差等跨阶段工艺耦合，使缺陷预测需考虑多阶段过程。极紫外光刻（EUVL）采用13.5nm波长，减少多图案化负担，但引入反射式掩模3D（3D）效应、随机抗蚀剂响应（如线边缘粗糙度（LER）、线宽粗糙度（LWR））以及光子统计限制。纳米压印光刻（NIL）依赖模板直接复制，关键变量包括模板保真度、填充动力学、残留层厚度（RLT）和脱模行为。Canon型半导体NIL面向摩尔定律应用，突出叠加、缺陷率和模板寿命；EVG型NIL面向超越摩尔应用，注重复制保真度和功能形貌。成熟i-line/KrF和封装光刻则支持大面积曝光和变形衬底，需结合机械变形模型进行预测。本综述采用以OPC为中心、面向制造的视角，比较不同技术中缺陷预测的物理基础、数据驱动和混合框架。
**2.1. OPC-Correctable Errors in Optical Lithography**
光学光刻中，衍射、点扩散函数（PSF）重叠和抗蚀剂阈值效应导致印刷图案偏离掩模，但轮廓偏差与掩模几何保持可预测关系。因此，这些误差可通过OPC校正，如CD偏置由校准掩模偏置补偿，光学邻近效应由模型驱动OPC（MB-OPC）减少。可校正误差定义为轮廓放置误差，其响应对于掩模几何变化足够单调和局部。该原则也适用于更先进的逆设计方法，如逆光刻技术（ILT）。此定义为与NIL的比较提供参考：在光学光刻中，主导误差通常与可预测的成像和轮廓位移相关。
**2.2. Transition Toward Nonlinear Process-Coupled Errors**
当图案化逐渐工艺耦合，最终几何形状还受抗蚀剂厚度、显影响应、刻蚀化学、离子传输和局部图案密度等影响。这些效应不消除OPC，但将问题从几何逆校正转向工艺感知优化。中间例子包括旋涂厚度变化，可通过剂量调制或偏置部分补偿，但无法消除底层非均匀性。反应离子刻蚀（RIE）是连接ADI轮廓到AEI几何的关键转移阶段，引入加载效应、微加载和高宽比依赖刻蚀（ARDE），使刻蚀诱导误差仅部分可校正。轮廓依赖误差如侧壁角变化和线端缩短，2D掩模校正不能唯一决定全3D刻蚀轮廓。总体而言，从光学邻近误差到非线性工艺耦合误差，校正含义从掩模预补偿变为工艺感知缓解。
**2.3. Correction Feasibility Framework and the NIL Boundary of OPC**
提出校正可行性三级分类：可校正（误差可通过掩模偏置或OPC直接补偿）、部分可校正（误差保留可测量趋势，但校正仅减少偏差）、不可校正（缺陷由材料流、粘弹性松弛、残留层演化等非局部过程历史主导）。该框架用于比较不同工艺阶段：旋涂和刻蚀为中间情况，NIL标志OPC校正逻辑失效的边界。NIL缺陷如填充非均匀性、残留层变化和LER放大，不同于轮廓位移，而是材料状态问题。填充非均匀性是流动驱动缺陷，残留层变化是非局部材料传输结果，LER放大缺乏稳定掩模逆关系。因此，NIL需要结合物理过程模拟、数据驱动预测和混合工艺感知建模，而非传统OPC。
**3.1. Physics-Based Frameworks**
物理基础框架在光学光刻中成熟，基于Hopkins部分相干成像理论推导气影图像，结合抗蚀剂曝光和显影模型，发展为OPC和计算光刻。从标称成像扩展到工艺窗口感知校正，再延伸至刻蚀共优化，将ADI轮廓作为中间状态。在EUVL中，物理模型需纳入随机效应（光子统计、二次电子、抗蚀剂化学）和掩模3D效应（吸收体阴影、H-V偏置等），但全芯片预测仍具计算和统计挑战。在NIL中，物理建模围绕聚合物流变学、毛细填充、接触力学和脱模，重点预测残留层厚度（RLT）、填充均匀性和模板变形，但缺乏类似OPC的成熟全芯片校正框架。总体而言，光学光刻拥有最成熟的校正基础设施，EUVL有强机制模型但受随机性限制，NIL有过程流模型但未深度集成到校正工作流。
**3.2. Data-Driven Frameworks**
数据驱动方法广泛应用于热点检测、轮廓回归、布局到图像预测、替代过程建模和异常检测。评估指标因任务而异：分类用召回率、精度、F1分数等；回归用平均绝对误差（MAE）、均方根误差（RMSE）、结构相似性指数（SSIM）等；分割用交并比（IoU）等。在光学光刻中，热点检测从手工特征发展到卷积神经网络（CNN），并采用集成学习和元分类框架提高泛化性。布局到图像预测通过CNN学习布局与印刷轮廓的映射。数据驱动还加速OPC和逆光刻技术（ILT），如学习辅助逆光刻（L2O-ILT）。在EUVL中，数据驱动用于随机缺陷发现和SEM图像分析，但受限于标注数据稀缺和随机失败稀有性。在NIL中，数据驱动仍有限，但布局到SEM重建和不确定性校准有前景，面临数据稀缺和工艺特异性挑战。主要局限在于训练数据的可用性、质量和物理基础。
**3.3. Hybrid Physics–ML Frameworks**
混合物理-机器学习（ML）框架结合物理模型的可解释性和因果结构以及ML的快速推理和模式识别能力。在光学光刻中，混合框架体现在MB-OPC中插入ML组件（如CNN变阈值方法）、学习辅助ILT（如L2O-ILT将优化展开为可训练网络）和物理信息神经网络（PINNs）嵌入物理方程。在EUVL中，结合物理前向模型和学习先验，如Ptycho-LDM用于掩模表征。在NIL中，混合框架尚不成熟但动机强，可利用模拟填充图、残留层分布等物理输入指导ML，用实验数据学习残差。数据效率方面，半监督或模拟辅助训练可缓解标注数据稀缺问题。混合框架的关键在于如何耦合物理和ML：物理定义前向模型、约束损失函数、生成合成训练数据，ML加速推理、学习残差、识别高风险图案。这代表了未来缺陷预测向物理基础、数据高效和不确定性感知方向发展的趋势。
