适应性增强学习用于光刻优化:用于下一代半导体制造的可扩展AI驱动的解决方案
Umar Rashid1,2, Fahad Shafique1, Hamza Atif1
1Department of Electrical Engineering, University of Engineering and Technology, New Campus, Lahore, Pakistan.
Scientific reports
|March 16, 2026
概括
适应性增强学习以优化石版 (ARLO) 通过减少图案错误来增强半导体石版. 这种人工智能方法优化了用于亚纳米集成电路制造的光罩,提高了精度和效率.
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.
- 在工程领域的人工智能.
背景情况:
- 半导体光刻对集成电路 (IC) 制造至关重要,占成本的30%左右.
- 将特征尺寸缩小到亚纳米尺度,带来了光学衍射和扭曲的挑战.
- 传统的光学近距离校正 (OPC) 是不够的;反光刻法技术 (ILT) 是计算密集的.
研究的目的:
- 引入适应性增强学习以优化石版画 (ARLO) 进行先进的光罩优化.
- 解决现有的ILT方法的可扩展性和计算复杂性的局限性.
- 为了提高图案保真度,减少半导体光刻的工艺变化.
主要方法:
- 开发了一个基于U-Net的框架,整合了自我注意力和强化学习 (RL).
- 采用了使用实时光刻模拟的代光罩优化.
- 根据LithoBench基准指标对最先进的方法进行评估.
主要成果:
- ARLO实现了37.8%的减少[公式:见文本]损失和74.0%的减少过程变化带 (PVB) 与GAN-OPC相比.
- 在损失和PVB方面,与Deep LithoNet (DLN) 和RL-ILT相比显著改善.
- 保持了0.035秒的竞争性运行时间,尽管增加了射击数量.
结论:
- 阿洛为下一代半导体制造提供了可扩展和高效的解决方案.
- 拟议的框架有效地优化了光罩,提高了图案保真度,减少了工艺变化.
- ARLO提供了一个有前途的AI驱动的方法来克服亚纳米光刻的挑战.
更多相关视频
09:45Large-area Scanning Probe Nanolithography Facilitated by Automated Alignment and Its Application to Substrate Fabrication for Cell Culture Studies
Published on: June 12, 2018
10.2K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
2.2K
