MorphOPC: 透過多尺度分層形態學學習推進掩模最佳化

隨著半導體制造工藝邁向奈米尺度，將電路圖案從光掩模精確轉移到矽晶圓變得越來越困難。光學鄰近校正（OPC）是確保圖案保真度和可製造性的關鍵技術。然而，傳統的基於物理模型的OPC方法計算成本高昂，而近年來基於編碼器-解碼器架構的生成式掩模最佳化模型雖然可以作為快速機器學習替代方案，但往往無法準確捕捉從目標佈局到掩模圖案的幾何變換，導致最佳化質量次優。針對這一問題，Yuting Hu等研究人員提出了MorphOPC，一種創新的多尺度分層掩模最佳化模型。該模型將掩模生成過程重新表述為對區域性佈局特徵進行的一系列形態學運算，並透過引入神經形態模組來學習這些變換。MorphOPC的核心思想是利用多尺度層次結構，在不同尺度上學習和應用形態學操作，從而更精確地模擬光刻過程中的光學鄰近效應。研究團隊在邊緣OPC和逆光刻技術（ILT）基準上對MorphOPC進行了評估，涉及金屬層和通孔層。實驗結果表明，MorphOPC在列印保真度和製造成本兩個關鍵指標上均一致優於現有最新方法。該模型不僅提高了圖案轉移的精度，還降低了整體制造成本，展示了在可縮放掩模最佳化方面的強大潛力。這項研究為半導體制造中的掩模最佳化提供了新的思路，有望推動先進工藝節點的進一步發展。相關論文以“MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning”為題發表在arXiv預印本平臺。