机器学习在电子束光刻中,以促进光电阻配方设计,用于高分辨率的图案设计
Rongbo Zhao1, Xiaolin Wang1, Hong Xu1
1Institute of Nuclear and New Energy Technology, Tsinghua University, Beijing, 100084, China. hongxu@tsinghua.edu.cn.
Nanoscale
|February 8, 2024
概括
这项研究介绍了一种基于人工智能的方法,使用机器学习的长短期记忆 (LSTM) 网络来优化电子束光刻 (EBL) 的光电阻配方. 这种方法加速了用于高分辨率芯片图案的先进光电阻的设计.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 人工智能在制造业中的应用
背景情况:
- 减少临界尺寸 (CD) 提高了芯片的分辨率和性能.
- 电子束刻法 (EBL) 可以实现10nm以下的图案,但分辨率严重取决于光电阻的配方.
- 优化光电阻配方用于较小的CD是耗时且昂贵的,仅限于对配方本身的关注.
研究的目的:
- 开发一种高效的光电阻配方优化技术,用于高分辨率的图案设计.
- 利用机器学习 (LSTM) 来预测基于光电阻的配方的关键尺寸 (CD).
- 为了加快对适合电子束 lithography (EBL) 的 photoresist 配方的选.
主要方法:
- 结合电子束光刻 (EBL) 实验与机器学习长短期记忆 (LSTM) 网络进行实验.
- 使用LSTM网络开发了一个CD光电阻评估模型.
- 利用CD模型创建一个光电阻配方优化器,实现26nm的线宽.
主要成果:
- 该LSTM网络准确地预测了CD,显示与实验EBL结果一致.
- 开发的优化器成功选了符合特定CD要求的光电阻配方.
- 证明了AI在加速光电阻设计的可行性,用于10nm以下的图案.
结论:
- 这种由人工智能驱动的方法显著提高了用于高分辨率图案的光电阻配方设计.
- 该LSTM网络提供了一个可靠的工具,用于预测CD性能和选配方.
- 这项工作为利用人工智能在EBL实验和光电阻力开发中提供了新的视角和实际指导.
