基于卷积傅里叶神经算子与光刻引导自训练的大规模掩模优化

机器学习技术已被广泛研究用于掩模优化问题，旨在获得更好的掩模可印刷性、更短的周转时间、更好的掩模可制造性等。然而，这些研究大多聚焦于小设计区域的初始解生成。为了进一步实现机器学习技术在掩模优化任务上的潜力，我们提出了一种卷积傅里叶神经算子（CFNO），它能够高效学习布局区块间的依赖关系，从而有望在遗留工具有限干预下实现无拼接的大规模掩模优化。我们发现了在求解非凸优化问题时通过训练好的机器学习模型实现光刻引导自训练（LGST）的可能性，其允许迭代的模型与数据集更新并带来显著的模型性能提升。实验结果表明，我们的基于机器学习的框架首次以数量级加速优于最先进的学术数值掩模优化器。