基于模型驱动的块堆叠卷积神经网络的快速反相光刻
光学
2024-12-20 v1 机器学习
摘要
在光刻领域，光学亲缝校正 (OPC) 是一种关键的分辨率增强技术，通过优化光掩模的传输函数于像素级别来有效抵消光学亲缝效应 (OPE)。然而，传统的像素级 OPC 方法常产生难以制造的图案，从而增加实际场景中的成本。本文提出了一种新的反相光刻方法，用于 OPC，采用基于模型的块堆叠深度学习框架，以加速生成有利于制造的光掩模。该方法基于向量光刻建模，消除对大量标记数据集的需求，从而简化了训练过程。此外，通过采用波函数坍塌算法，增强了光掩模图案的多样性，该算法促进了大量目标图案的随机生成，从而显著扩充了光掩模范式的范围。数值实验 substantiated 了所提出的 end-to-end 方法的有效性，突出其在高级 OPC 光刻语境中处理光掩模复杂性的卓越能力。预计这一突破将提高 OPC 技术在实际制造环境中的可行性和经济性。
引用
@article{arxiv.2412.14599,
title = {Fast inverse lithography based on a model-driven block stacking convolutional neural network},
author = {Ruixiang Chen and Yang Zhao and Haoqin Li and Rui Chen},
journal= {arXiv preprint arXiv:2412.14599},
year = {2024}
}
备注
21 pages, 7 figures