概括
这项研究引入了一个深度学习网络,以快速预测非平面晶圆上的光刻隐藏图像,显著减少模拟时间. 该方法准确地模拟复杂的3D光分布,以提高光电阻的质量.
科学领域:
- 半导体制造业 半导体制造业
- 计算式 lithography 的使用方法.
- 深度学习应用程序
背景情况:
- 晶圆拓会导致光散射,降低光电阻的质量在 lithographic 成像过程中.
- 对于非平面晶圆和大面膜的严格的光刻模拟是准确的,但计算密集.
研究的目的:
- 开发一种快速而准确的方法,用于预测非平面晶圆上的3D隐形图像.
- 为了加速显示面板制造的光刻模拟.
主要方法:
- 一对多深度学习网络,一种条件生成对抗网络 (CGAN),旨在从面具和地形图案中学习隐藏图像分布.
- 该网络包含高度标签,以精确控制不同晶圆高度的潜在图像.
- 面具/地形图案及其隐藏图像的图书馆被创建用于训练,使未见的本地图案的预测成为可能.
主要成果:
- 深度学习方法在模拟用于显示面板光刻的潜在图像方面取得了高准确性.
- 与严格的模拟方法相比,观察到240340倍的加速系数.
- 该方法比基于CGAN (LIC-CGAN) 的现有潜图像计算改进了23倍.
结论:
- 拟议的深度学习网络为非平面晶圆上的石墨模拟提供了更快,更准确的替代方案.
- 这种方法可以有效地预测和合成本地潜在图像,提高整体模拟效率和准确性.
- 该技术在先进的半导体制造中对优化光刻工艺具有前景.
