MorphOPC：基于多尺度层次形态学习的掩模优化
计算机视觉与模式识别
2026-05-14 v1 人工智能
硬件体系结构
摘要
随着特征尺寸缩小至纳米级，将电路图案精确传输到硅片变得日益具有挑战性。光学亲缝校正（OPC）广泛用于确保图案保真度和制造可行性。最近基于编码器-解码器架构的生成式掩模优化模型能够合成接近最优的掩模，作为传统 OPC 的快速机器学习替代方案。然而，这些模型常常无法捕捉从目标布局到掩模图案的几何变换，导致质量次优。本文将掩模生成建模为局部布局特征上的形态操作序列，提出 \textit{MorphOPC}，一种具备神经形态模块的多尺度层次模型，以学习这些变换。实验在基于边缘的 OPC 和 ILT 基准测试中覆盖金属层和通孔层，结果表明 \textit{MorphOPC} 在所有指标上均优于当前最先进的方法，实现更高的打印保真度和更低的制造成本，显示出强大的可扩展掩模优化潜力。
引用
@article{arxiv.2605.12528,
title = {MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning},
author = {Yuting Hu and Lei Zhuang and Chen Wang and Ruiyang Qin and Hua Xiang and Gi-joon Nam and Jinjun Xiong},
journal= {arXiv preprint arXiv:2605.12528},
year = {2026}
}