基于注意力增强混合网络的面向可制造性の早期光刻热点检测

《Measurement》：Manufacturability-oriented early lithography hotspot detection via an attention-enhanced hybrid network

　　•将热点筛选视为设计阶段的虚拟计量技术。•定义无量纲的可制造性风险指标及其在计量中的作用。•将布局与光刻先验信息融入虚拟计量函数中。•通过重复运行置信区间来表征预测层面的不确定性。•在ICCAD-2012和ICCAD-2019测试中展现出良好的召回率与误报率平衡效果。

引言
随着技术节点的不断缩小，亚波长光刻过程中从掩模版布局到实际晶圆图案的转换变得越来越非线性且依赖于具体环境。显著的光学衍射和成像干涉现象会导致光学邻近效应，而工艺窗口的变化则进一步加剧了布局图案的可打印性差异。因此，微小的布局环境差异可能会被放大为图案转移缺陷，如线宽变化、线端缩短或回缩以及角部圆化等。这些由光刻过程引起的缺陷并非仅仅是几何偏差，它们还可能引发限制产量的结构故障，如桥连/短路以及断开/开路，进而影响产品的可制造性和生产良率[1]。

在此背景下，本研究将早期光刻热点检测视为设计阶段的虚拟计量问题，用于评估可制造性风险。其测量对象是在制造之前已有的布局片段，而待测量为在特定光刻条件下的潜在布局级可制造性风险。由于这一潜在量在设计阶段无法直接观测，因此通过无量纲的可制造性风险指标来表示，该指标反映了该布局片段在面对光刻工艺波动时出现工艺弱点的倾向。虚拟计量结果则是通过观察布局所得到的可制造性风险估计值，而热点/非热点状态的判定则是基于阈值筛选决策。因此，该方法的目的是并非直接测量晶圆级的关键尺寸或实际打印轮廓，而是提供一种间接的、设计阶段的可制造性风险估算，从而在芯片出厂前减少缺陷漏检现象。在整个验证流程中，相应的虚拟计量函数充当预筛选阶段，用于识别出具有高风险的布局片段，以便后续进行光刻模拟、光学邻近校正或专家级布局审查。

图1展示了从ICCAD-2019基准测试中选取的典型热点/非热点布局片段对[2]。这两个片段具有几乎相同的线间距、方向及整体布局结构，但却被标记为不同的热点类型。它们之间用于筛选的差异仅体现在细微的局部几何变化上，这体现了在布局片段层面进行热点筛选的固有难度。

为能在芯片出厂前实现具备可制造性意识的设计审批并降低缺陷漏检风险，基于仿真的热点检测与工艺窗口验证方法已被广泛采用[3][4]。然而，全芯片光刻仿真计算成本高昂，常常成为现代高度迭代设计流程中的瓶颈。因此，实际的验证流程需要一种能够直接从布局图案中估算热点风险、为基于可制造性意识的布局优化提供设计阶段反馈，并减少对昂贵全芯片光刻仿真依赖的布局级筛选方法。传统的低成本方法通常依赖于设计规则检查（DRC）[5]和布局图案匹配技术[6]。尽管这些方法易于理解，但它们严重依赖人工制定的规则和模板库，且需要持续手动维护，难以跟上快速变化的布局图案和工艺条件的发展节奏。鉴于需要在大规模应用中实现实用、准确且具有通用性的可制造性风险评估，深度学习为构建虚拟计量函数提供了数据驱动的解决方案，这类函数能够在昂贵的后续验证之前，根据布局观测结果估算出可制造性风险。

基于先验学习的热点检测方法主要改进了分类流程中的特征表示和决策阶段。早期的研究设计了紧凑的布局特征或频域表示方法，用于处理大规模布局数据，例如基于离散余弦变换的特征张量生成技术[7]。后续方法则引入了级联分类器、热点过采样、难例挖掘以及更复杂的卷积神经网络架构，以解决类别不平衡问题以及热点片段与非热点片段之间极高的视觉相似性难题[8][9][10][11]。最近的研究则进一步融合了混合域建模、考虑拓扑结构的表示方法、跨设计场景的自适应能力以及注重鲁棒性的联邦学习技术[12][13][14][15][16]。这些研究表明，布局结构与上下文相关的表示方式对于热点区分具有重要意义。不过，这些方法通常被构建和评估为二分类流程，在此类框架下，所估算的可制造性风险量、其与最终筛选决策之间的关系，以及预测风险值对应的置信度往往没有得到明确阐述。

尽管取得了上述进展，但从测量科学的角度来看，仍有三个方面尚未得到充分解决。首先，现有的基于学习的检测方法很少明确说明如何将潜在的可制造性风险转化为可操作的测量量，也未能区分虚拟计量结果与基于阈值的 hotspot 判定结果。因此，模型输出很难被理解为可用于支持后续光刻模拟、光学邻近校正或专家布局审查的风险估计值。其次，虚拟计量函数应当纳入与热点风险相关的布局和光刻先验信息，而非仅仅作为通用的图像分类任务来设计。热点风险是由局部几何结构与更宏观的光学邻近效应共同决定的，而单一尺度检测方法或通用的特征融合技术[17]可能无法充分捕捉与光刻过程相关的跨尺度信息。此外，集成电路布局通常以曼哈顿坐标系结构为主，其水平和垂直方向的依赖关系提供了强有力的布局先验信息，而常见的各向同性注意力模块[18]则无法明确区分不同轴方向的依赖关系。布局片段中还可能存在大面积空白区域或信息量较低的区域，这些区域在全局聚合过程中可能会引入无意义的响应值。第三，对于以虚拟计量为导向的筛选方法而言，仅报告固定的分类结果是不够的，还应当描述其工作点行为，以及与可制造性风险预测相关的置信度或不确定性水平。

为满足这些需求，我们提出了MA-HybridNet这一基于布局先验引导的虚拟计量函数，用于早期光刻工艺的可制造性风险评估。给定一个布局片段后，该框架会输出一个无量纲的可制造性风险估计值，再通过设定操作阈值将其转换为热点筛选决策。针对上述三种先验信息，该架构采用了从粗到细的多尺度融合策略来处理具有上下文依赖性的风险特征，加入了能够分别建模曼哈顿坐标系下水平和垂直依赖关系的通道-空间互嵌入模块（MECS），同时还配备了带有可学习注册令牌的Register-ViT风险估计模块，以此在包含大面积空白或信息量较低区域的布局片段中实现更稳定的全局聚合。此外，该模型还采用了考虑不平衡问题的非对称训练目标，从而在保持对稀疏工艺弱点模式的敏感度的同时，控制实际筛选场景中的误报率。

本文的主要技术贡献与评估成果总结如下：
1. 我们提出了MA-HybridNet这一基于布局先验引导的虚拟计量框架，能够从设计阶段的布局片段中估算出可制造性风险指标，用于基于阈值的 hotspot 筛选。
2. 该框架整合了三种布局与光刻先验信息：用于处理与光学邻近效应相关的风险形成的多尺度上下文建模方法、针对曼哈顿坐标系布局依赖关系的轴感知MECS注意力机制，以及用于处理含有大面积空白或信息量较低区域的布局片段的注册令牌辅助聚合方法。
3. 我们依据测量科学的标准，在ICCAD-2012和ICCAD-2019测试平台上对该框架进行了评估，评估内容包括召回率与误报率平衡情况、阈值扫描下的性能特性、重复运行统计分析、在统一测试协议下的架构级资源与推理效率分析，以及用于实现基于置信度的高精度筛选的预测不确定性分析。

第2节从虚拟计量角度阐述了光刻热点筛选问题，包括测量对象、可制造性风险指标、测量目标以及评估指标。第3节介绍了作为虚拟计量函数的MA-HybridNet，详细说明了其特征提取核心模块、采用MECS注意力机制的从粗到细融合模块，以及Register-ViT风险估计模块。第4节展示了在ICCAD-2012和ICCAD-2019金属层基准测试上的实验结果，包括筛选性能对比、重复运行与阈值扫描分析、预测不确定性分析、消融实验以及定性诊断分析。最后，第5节对全文进行了总结。

相关片段
光刻工艺与热点现象
光刻工艺是通过光阻成像和显影过程，将电路图案从光掩模转移到晶圆上的。由于光学邻近效应和衍射限制，即使在标准工艺条件下，实际打印出的轮廓也可能与设计时的布局存在偏差，而这些偏差还会因工艺参数的变化，如曝光剂量和焦点位置的波动而进一步加剧。虽然人们广泛使用了诸如光学邻近校正之类的分辨率提升技术，但……

所提出的方法
本节介绍了所提出的MA-HybridNet模型，该模型实现了虚拟计量函数fθ(?)，能够从设计阶段的布局片段中估算出可制造性风险指示值R?(x)。3.1至3.3节分别介绍了该框架的核心组成部分，包括特征提取模块、多尺度特征融合机制，以及Register-ViT风险估计模块。3.4节则将这些组件整合到了整个MA-HybridNet架构中……

实验设置与数据集
该方法的实现是基于Python语言和PyTorch框架完成的。模型训练与推理均在配备AMD Ryzen 7 9700X处理器和NVIDIA GeForce RTX 5070 Ti显卡的工作站上进行。我们在ICCAD-2012[20]和ICCAD-2019[2]基准测试平台上对该方法进行了评估。ICCAD-2012基准测试包含了五个案例，其中1个为32纳米工艺案例，另外4个为28纳米工艺案例。与以往的研究一致，只有这4个28纳米工艺案例，即ICCAD-12-2至ICCAD-12-5，被用于实验分析……

结论
本文提出了一种基于设计阶段虚拟计量视角的可制造性感知光刻热点筛选框架——MA-HybridNet。该方法将网络输出解读为布局片段级的可制造性风险指示值R?(x)，从而将待测量的定义与基于阈值的热点筛选、热点缺陷防控以及误报率评估等功能整合到了统一的筛选流程之中。MA-HybridNet结合了CARAFE增强版的BiFPN网络、MECS模块，以及……

CRediT作者贡献声明
徐辉：撰写——审阅与编辑、验证、监督、研究调查、形式分析、概念构思。王文军：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件工具、资源准备、方法设计、研究调查、形式分析、数据整理、概念构思。孙霞：撰写——审阅与编辑、可视化、验证、方法设计、形式分析。周晨龙：撰写——审阅与编辑、可视化、验证、方法设计、形式分析。

利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：徐辉、王文军、孙霞、周晨龙、王国帅、霍云宏、马瑞军和黄正锋均表示，他们的研究工作得到了中国国家自然科学基金项目（项目编号62274052）的支持，部分研究经费还来自安徽省重点研发计划项目（项目编号202304a05020003）。如果有其他作者，他们也声明了相应的利益关系……

徐辉|王文军|孙霞|周晨龙|王国帅|霍云宏|马瑞军|黄正锋