用于掩模优化的逆光刻物理信息深度神经水平集方法
图像与视频处理
2023-11-01 v1 硬件体系结构
计算机视觉与模式识别
机器学习
摘要
随着集成电路特征尺寸持续缩小，光学邻近校正(OPC)已成为确保光刻工艺高可印刷性的关键分辨率增强技术。近来，基于水平集的逆光刻技术(ILT)作为一种有前景的 OPC 方案引起了相当关注，展现出强大的图形保真度，尤其在先进工艺中。然而，ILT 巨大的计算时间消耗限制了其仅能主要用于校正部分图层与热点区域。深度学习(DL)方法在加速 ILT 方面已显示出巨大潜力。然而，缺乏逆光刻的域知识限制了基于 DL 的算法在工艺窗口(PW)增强等方面的能力。在本文中，我们提出一种用于掩模优化的逆光刻物理信息深度神经水平集(ILDLS)方法。该方法将基于水平集的 ILT 作为 DL 框架中的一层，迭代地进行掩模预测与校正，与纯 DL 和 ILT 的结果相比显著增强了可印刷性与 PW。借助该方法，计算时间相较 ILT 降低了数个数量级。通过为 DL 装备逆光刻物理知识，ILDLS 提供了一种新颖且高效的掩模优化方案。
引用
@article{arxiv.2308.12299,
title = {Inverse Lithography Physics-informed Deep Neural Level Set for Mask Optimization},
author = {Xing-Yu Ma and Shaogang Hao},
journal= {arXiv preprint arXiv:2308.12299},
year = {2023}
}