类型a：单篇原创研究学术报告

本文介绍了由来自Mentor, a Siemens Business的Kostas Adam、Shashidhara Ganjugunte、Clement Moyroud、Kanstantsin Shchehlik、Michael Lam、Andrew Burbine、Germain Fenger和Yuri Granik共同完成的一项研究工作。该研究成果于2019年发表在SPIE会议论文集《Design-Process-Technology Co-optimization for Manufacturability XIII》上，论文编号为109620F。

这项研究的核心学术背景是计算光刻领域在先进制程节点下面临的严峻挑战。在半导体制造的光刻工艺中，光学临近效应修正（OPC，Optical Proximity Correction）建模对于将设计图案高保真地转移到硅晶圆上至关重要。传统的最先进OPC建模方法显式地对光学和光刻胶过程进行物理建模，比如相干系统求和（SOCS，Sum of Coherent Systems）模型、矢量成像模型、域分解方法（DDM，Domain Decomposition Method）以及紧凑模型CM1。这些模型基于我们对物理效应的明确知识进行编程，并通过模型校准过程确定相对较少的自由参数，在从深紫外（DUV）到极紫外（EUV）的多个技术节点上都取得了成功。然而，随着工艺进入5纳米及以下节点，精度要求变得空前严格，许多过去被忽略的物理效应现在必须被考虑。如果继续单纯增加显式建模步骤，每个步骤都需要通过复杂的测量和校准来获取参数，这种方法变得日益困难。因此，本研究的核心目标是探索如何将机器学习，特别是神经网络，以一种审慎的方式引入OPC建模流程，以学习传统物理模型无法捕捉的残余系统行为，从而在不破坏现有模型校准流程的前提下，显著提升模型精度。

研究的详细工作流程围绕提出并验证一种名为神经网络辅助建模（NNAM，Neural Network Assisted Modeling）的新架构展开。该方法的核心设计理念不是用神经网络完全替代传统的光学或光刻胶模型，而是将其作为一个辅助增强模块。研究团队选择将神经网络嵌入在传统物理模型之后。具体来说，他们首先利用一个10纳米金属层M1负性显影（NTD，Negative Tone Development）工艺案例中的约2000个关键尺寸（CD，Critical Dimension）扫描电子显微镜（CD-SEM）测量数据，随机划分为校准集、验证集和测试集。他们选用了一个不包含任何NTD专用项的旧版CM1模型（Modelform 22，约20个自由参数）作为基线，该基线的RMS误差为2.1纳米。

在NNAM架构中，关键的创新步骤是将基线CM1紧凑光刻胶模型中已校准的各个分解项作为输入，直接馈送给一个神经网络。这个神经网络的唯一学习目标，是基于这些来自物理模型的信息通道来预测特定测量标尺上的CD值。研究团队没有让用户自由设计网络架构，而是特意策划和设计了一个在复杂性、精度和运行时间之间达到良好平衡的网络结构。网络的训练过程仅使用CD数据，避免了通常难以获取的轮廓数据，实现了对现有校准流程的无干扰集成。训练耗时约2.5小时，在普通多核CPU上完成，无需GPU加速，其预测速度与CM1光刻胶模型相当。

为了全面评估NNAM的性能，研究团队不仅关注CD精度，还创造性地提出了一套评估模型预测二维轮廓质量的量化指标。因为一个仅在CD指标上表现优异的神经网络，可能在未测量的二维区域产生非物理的锯齿、尖峰或孔洞等轮廓伪影。他们提出的四个核心指标包括：上下（Over-Under）和上下（Under-Over）指标，通过对原始轮廓进行膨胀和腐蚀的布尔操作来检测拓扑错误；转角（Turn-Angle）指标，通过计算沿轮廓周长的线段角度变化积分，来量化轮廓平滑度，该方法能有效捕捉到“跳跃性”的噪声轮廓；以及频谱噪声指标，通过比较NNAM与传统CM1模型输出图像在高空间频率上的相对能量，来评估图像质量。

研究的主要结果清晰地展示了NNAM架构的优越性。在10纳米M1 NTD测试案例中，NNAM模型的测试集误差RMS从基线的2.07纳米降至1.31纳米，误差范围从22纳米降至16.5纳米，模型精度实现了约40%的相对提升。更重要的是，结果证明了轮廓质量并非神经网络的固有属性，而是需要精心设计才能获得的。研究发现，通过审慎选择滤波器和设计权重学习协议，NNAM可以产生与CM1模型质量相当的、平滑且无伪影的高质量轮廓。在表1中，作者对比了不同滤波器设计的NNAM模型与CM1基线模型在四项轮廓质量指标上的表现，证实了NNAM能够在提供更高精度的同时，保持优良的轮廓行为。这些精度和轮廓质量方面的结果，直接支撑了将物理模型信息通道与神经网络相结合这一核心方法论的有效性。

研究人员也得出了明确的结论。他们认为，将机器学习技术应用于计算光刻是推动物理模型精度达到新水平的关键。通过审慎地结合专家领域知识来设计神经网络结构，可以让网络直接利用那些显式描述物理效应的信息通道，使学习过程更加稳健。他们提出的NNAM概念，在不需要改变可用训练数据类型的前提下，成功实现了40%的精度提升，这对5纳米及以下节点的OPC应用至关重要。研究还探索了其他可能的神经网络架构，例如，他们发现使用卷积神经网络（CNN）直接从光学图像预测CD需要数万个参数，虽然可以达到高精度，但轮廓质量极难控制，因此不太适用于OPC。而另一种完全卷积网络（FCN，Fully Convolutional Networks）架构，可以学习从光学图像预测光刻胶轮廓，这是一个有前景的方向，但其发展依赖于未来能更轻易地获取大量高质量的光刻胶轮廓数据。

总而言之，本研究的亮点在于其方法论的创新性和务实性。它并非简单地用“黑箱”式的深度学习网络取代物理模型，而是提出了“辅助”这一全新范式，将物理模型和神经网络巧妙融合。其自行设计的紧凑型神经网络架构，以及为了评估模型二维预测能力而专门开发的一套量化轮廓质量的新指标体系，如转角指标，都体现了深刻的领域知识与前沿机器学习技术的结合。这项工作的科学价值在于，它证明了即使在数据受限（仅有CD数据）的实际工业条件下，通过融入先验物理知识来引导机器学习过程，也能在保持物理可解释性和轮廓质量的同时，极大地突破传统模型的精度限制。其应用价值更是直接体现在为5纳米及以下先进制程的OPC建模提供了一条切实可行、高精度且易于集成的高效路径。