通过生成式强化学习挑战逆光刻制的极限

逆光刻 (ILT) 对现代半导体制造至关重要，但受限于高度非凸目标，常陷入次优局部最小值。生成式AI已用于ILt的预热，但大多数方法训练的是确定性图像到图像转换器，以模仿亚优数据集，难以在细化过程中帮助逃离非凸陷阱。我们将mask合成重新表述为条件采样：生成器学习mask的分布条件于设计，并提出多个候选方案。生成器首先使用WGAN加重建损失进行预训练，然后使用Group Relative Policy Optimization (GRPO)进行微调，辅以ILt引导的模仿损失。在推理时，我们对一小批mask进行采样，运行快速批量ILt细化，评估光刻指标(如EPE、工艺窗口)，并选择最佳候选方案。在LithoBench数据集上，所提出的混合框架在3nm容忍度下显著减少EPE违规，吞吐量约为强数值ILt基线的两倍，同时提高最终mask质量。我们还在ICCAD13竞赛案例中实现了超过20%的EPE改进，相对于最先进的数值ILt求解器实现3倍加速。通过学习提出ILt友好的初始化，我们的方法缓解了非凸性，超越了传统求解器或GenAI所能实现的效果。