AdaOPC：面向真实设计图形的自适应掩模优化框架
计算机视觉与模式识别
2023-03-23 v1
摘要
光学邻近校正（OPC）是一种广泛使用的用于可印刷性优化的分辨率增强技术（RET）。近年来，严谨的数值优化与快速的机器学习分别是学术界和工业界在 OPC 上的研究重点，二者在鲁棒性或效率上互为补充。我们检视了设计层上的图形分布，发现不同子区域具有不同的图形复杂度。此外，我们还发现许多图形在设计版图中重复出现，这些图形可能共享优化后的掩模。我们利用这些特性提出了一种自适应 OPC 框架以提升效率。首先，我们从可扩展的求解器池中针对不同复杂度的图形自适应地选择不同的 OPC 求解器，以实现速度/精度的协同优化。除此之外，我们证明了为重复图形复用优化掩模的可行性，并由此构建了一个基于图的动态图形库，复用已存储的掩模以进一步加速 OPC 流程。实验结果表明，我们的框架在性能与效率上均取得了显著提升。
引用
@article{arxiv.2303.12723,
title = {AdaOPC: A Self-Adaptive Mask Optimization Framework For Real Design Patterns},
author = {Wenqian Zhao and Xufeng Yao and Ziyang Yu and Guojin Chen and Yuzhe Ma and Bei Yu and Martin D. F. Wong},
journal= {arXiv preprint arXiv:2303.12723},
year = {2023}
}