基于双频带光学启发神经网络的通用光刻建模
其他计算机科学
2022-03-17 v1 机器学习
摘要
光刻仿真在面向可制造性的 VLSI 设计与优化中是关键步骤。现有基于严格模型的高精度光刻仿真方案计算昂贵且缓慢，即便采用各种近似技术也是如此。近来，机器学习为边缘放置误差粗粒度回归与完整轮廓预测等光刻仿真任务提供了替代方案。然而，这些基于学习的方法由于使用场景受限或仿真精度低，影响有限。为解决这些问题，我们引入一种考虑光刻底层光学物理的双频带光学启发神经网络设计。据我们所知，我们的方法给出了首个以 1nm^2/像素分辨率、任意区块尺寸发布的通孔/金属层轮廓仿真。相较先前基于机器学习的方案，我们证明我们的框架训练快得多，并以 20 倍更小的模型规模在效率与图像质量上显著提升。相较传统光刻仿真器，我们还以 1% 精度损失实现了 85 倍仿真加速。
引用
@article{arxiv.2203.08616,
title = {Generic Lithography Modeling with Dual-band Optics-Inspired Neural Networks},
author = {Haoyu Yang and Zongyi Li and Kumara Sastry and Saumyadip Mukhopadhyay and Mark Kilgard and Anima Anandkumar and Brucek Khailany and Vivek Singh and Haoxing Ren},
journal= {arXiv preprint arXiv:2203.08616},
year = {2022}
}
备注
9 pages, 9 figures; accepted at 59th Design Automation Conference