MorphOPC: 通过多尺度分层形态学学习推进掩模优化
随着特征尺寸缩小到纳米级，将电路图案从掩模精确转移到硅片变得更加困难。光学邻近校正（OPC）用于确保图案保真度和可制造性。现有生成式掩模优化模型无法捕捉从目标布局到掩模图案的几何变换，导致质量次优。本文提出MorphOPC，一种多尺度分层模型，通过神经形态模块学习这些变换。实验表明，MorphOPC在边缘OPC和ILT基准上优于现有方法，实现更高打印保真度和更低制造成本。
随着半导体制造工艺迈向纳米尺度，将电路图案从光掩模精确转移到硅晶圆变得越来越困难。光学邻近校正（OPC）是确保图案保真度和可制造性的关键技术。然而，传统的基于物理模型的OPC方法计算成本高昂，而近年来基于编码器-解码器架构的生成式掩模优化模型虽然可以作为快速机器学习替代方案，但往往无法准确捕捉从目标布局到掩模图案的几何变换，导致优化质量次优。针对这一问题，Yuting Hu等研究人员提出了MorphOPC，一种创新的多尺度分层掩模优化模型。该模型将掩模生成过程重新表述为对局部布局特征进行的一系列形态学运算，并通过引入神经形态模块来学习这些变换。MorphOPC的核心思想是利用多尺度层次结构，在不同尺度上学习和应用形态学操作，从而更精确地模拟光刻过程中的光学邻近效应。研究团队在边缘OPC和逆光刻技术（ILT）基准上对MorphOPC进行了评估，涉及金属层和通孔层。实验结果表明，MorphOPC在打印保真度和制造成本两个关键指标上均一致优于现有最新方法。该模型不仅提高了图案转移的精度，还降低了整体制造成本，展示了在可缩放掩模优化方面的强大潜力。这项研究为半导体制造中的掩模优化提供了新的思路，有望推动先进工艺节点的进一步发展。相关论文以“MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning”为题发表在arXiv预印本平台。