Physics-Informed Neural Systems for the Simulation of EUV Electromagnetic Wave Diffraction from a Lithography Mask

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الأنظمة العصبية المستنيرة بالفيزياء لمحاكاة حيود الموجات الكهرومغناطيسية للأشعة فوق البنفسجية المتطرفة (EUV) من قناع الطباعة الحجرية."

1. بيان المشكلة

تتناول الورقة البحثية التحدي الحسابي المتمثل في محاكاة حيود الموجات الكهرومغناطيسية للأشعة فوق البنفسجية المتطرفة (EUV) من أقنعة الطباعة الحجرية ثلاثية الأبعاد.

• السياق: في تصنيع أشباه الموصلات، تعد تقنية الطباعة الحجرية بالأشعة فوق البنفسجية المتطرفة (باستخدام أطوال موجية مثل 13.5 نانومتر و11.2 نانومتر الواعدة) أمراً بالغ الأهمية لإنشاء ترانزستورات أصغر. ومع ذلك، وبسبب ظواهر الحيود والتداخل، لا يتطابق النمط الموجود على القناع تماماً مع النمط الموجود على رقاقة السيليكون (wafer).
• العقبة: تتطلب المحاكاة الدقيقة حل معادلات ماكسويل للهياكل ثلاثية الأبعاد المعقدة للقناع (الممتصات متعددة الطبقات والمرايا). وتعد الحلول العددية الصارمة التقليدية (مثل طريقة دليل الموجة أو طريقة العناصر المحدودة) دقيقة للغاية ولكنها مكلفة حاسوبياً، حيث تتطلب موارد هائلة ووقتاً طويلاً. وهذا يبطئ سير عمل "تصحيح القرب البصري" (OPC)، وهو أمر ضروري لتصميم القناع.
• الهدف: تطوير بدائل تعتمد على التعلم العميق تحافظ على دقة عالية مع تقليل أوقات الاستدلال والتدريب بشكل جذري، مما يتيح تحسيناً أسرع لتصميم القناع.

2. المنهجية

يقترح المؤلفون ويقارنون بين ثلاثة نهج متميزة لحل مشكلة الحيود:

أ. الحلول العددية المرجعية (Baseline)

• طريقة العناصر المحدودة (FEM): تم تنفيذها باستخدام الحل مفتوح المصدر FreeFem++. تقوم هذه الطريقة بتقسيم النطاق إلى شبكة (mesh). ورغم قوتها، إلا أنها ثقيلة حاسوبياً بالنسبة للميزات ذات الأطوال الموجية الدقيقة.
• طريقة دليل الموجة (WG Method): وهي محلل مرجعي عالي الدقة. تستغل هذه الطريقة الهيكل الطبقي للقناع، حيث تمثل المجال كمجموع تراكبي لأنماط دليل الموجة داخل كل طبقة. وتتمثل الخطوة الأكثر استهلاكاً للوقت في حل مسألة جبرية خطية كبيرة للقيم الذاتية (eigenvalue problem) لتحديد سعات الأنماط عند واجهات الطبقات.

ب. الشبكات العصبية المستنيرة بالفيزياء (PINNs)

• النهج: هي طريقة تعلم غير خاضعة للإشراف حيث تقوم "الشبكة العصبية متعددة الطبقات" (MLP) بتقريب مكونات المجال الكهرومغناطيسي ($H_x, H_y$).
• التدريب: يتم تدريب الشبكة عن طريق تقليل دالة خسارة مركبة تتكون من:
  1. خسارة المتبقي (Residual Loss - $L_r$): الخطأ في استيفاء المعادلات التفاضلية الجزئية الحاكمة (معادلات ماكسويل) عند نقاط تجميع عشوائية.
  2. خسارة الحدود (Boundary Loss - $L_{bc}$): الخطأ في استيفاء شروط الدورية وشروط إشعاع سومرفيلد.
• الميزات: تستخدم تضمينات ميزات فوريه (Fourier feature embeddings) لإحداثيات المدخلات لفرض شروط الحدود الدورية بصرامة.

ج. عامل دليل الموجة العصبي (WGNO) – المساهمة الابتكارية

• المفهوم: بنية هجينة تستبدل الجزء الأكثر استهلاكاً للوقت في طريقة دليل الموجة التقليدية بشبكة عصبية.
• الآلية:
  • تتضمن طريقة دليل الموجة حل نظام خطي $\hat{M}A = R$ لإيجاد سعات الأنماط ($A$) بناءً على معاملات القناع (معاملات فوريه للسماحية) والمجال الساقط ($R$).
  • يقوم الـ WGNO بتدريب شبكة MLP لتعلم الخريطة المباشرة من المعاملات المدخلة ($R$ ومعاملات سماحية القناع) إلى متجه الحل ($A$).
  • بمجرد أن تتنبأ الشبكة العصبية بـ $A$، يتم إجراء بقية عملية دليل الموجة (إعادة بناء المجال عبر سلسلة فوريه) بشكل تحليلي.
• الميزة: يرث هذا النهج الهيكل الفيزيائي لطريقة دليل الموجة (مما يضمن الاتساق الفيزيائي) ولكنه يتجاوز خطوة قلب المصفوفة أو حل القيم الذاتية المكلفة أثناء عملية الاستدلال.

3. المساهمات الرئيسية

1. تقديم الـ WGNO: عامل هجين مبتكر يدمج التعلم العميق في طريقة دليل الموجة الصارمة، مستهدفاً تحديداً الاختناق الحسابي المتمثل في حل النظام الخطي.
2. التدريب غير الخاضع للإشراف: أثبتت الدراسة أن كلاً من PINNs وWGNOs يمكن تدريبهما دون الحاجة إلى مجموعات بيانات مصنفة (بيانات خاضعة للإشراف)، بالاعتماد فقط على المعادلات الفيزيائية الحاكمة.
3. قدرة التعميم: أثبتت المستويات العصبية، وخاصة WGNO، قدرات تعميم قوية، حيث تقدم دقة عالية لمعاملات المشكلة (مثل أحجام الثقوب، سماكة الطبقات) التي لم تظهر أثناء التدريب.
4. التحقق متعدد الأطوال الموجية: تم التحقق من الطرق على كل من المعايير الصناعية الحالية (13.5 نانومتر) والأطوال الموجية للجيل القادم (11.2 نانومتر).

4. النتائج التجريبية

تم تقييم الطرق على حالات اختبار ثنائية الأبعاد مع حلول تحليلية، وأقنعة واقعية ثنائية الأبعاد، وأقنعة ثلاثية الأبعاد كاملة.

• الدقة (خطأ $L_2$ النسبي):
  • PINN: حققت دقة معقولة للحالات البسيطة ولكنها واجهت صعوبات مع الهياكل ثلاثية الأبعاد المعقدة والطبقات العازلة، حيث أظهرت أخطاء في نطاق $10^{-2}$ إلى $10^{-1}$ (1%–10%).
  • WGNO: حققت دقة تضاهى أحدث ما توصل إليه العلم، مع أخطاء منخفضة تصل إلى $10^{-7}$ إلى $10^{-8}$، وهي دقة تقارب دقة حل دليل الموجة المرجعي (دقة الآلة).
• السرعة والكفاءة:
  • وقت التدريب: تدرب WGNO بشكل أسرع بكثير من PINN (على سبيل المثال، حوالي 4 ثوانٍ مقابل 1000 ثانية للمسائل الاختبارية ثنائية الأبعاد).
  • وقت الاستدلال: كان زمن استدلال WGNO أسرع بعدة أوامر مقدارية من FEM وأسرع بكثير من PINN.
    • استدلال القناع ثلاثي الأبعاد: حقق WGNO أوقات استدلال تبلغ حوالي $2 \times 10^{-4}$ ثانية.
    • التسريع: وفر WGNO تسريعاً بأكثر من 200 ضعف مقارنة بحل دليل الموجة الصارم مع الحفاظ على الدقة العالية.
• التعميم: بالنسبة لمعاملات القناع غير المرئية (عرض الثقب)، حافظ WGNO على مقياس تعميم ($\mu$) قريب من 1.0 (على سبيل المثال، 0.999 لـ 100 قسم)، مما يشير إلى أنه يتنبأ بالسيناريوهات غير المدرجة بدقة تماثل السيناريوهات التي تم التدريب عليها.

5. الأهمية والخاتمة

• تسريع تصميم الطباعة الحجرية: يوفر WGNO حلاً عالي الكفاءة لسير عمل تصحيح القرب البصري (OPC). ومن خلال تقليل وقت المحاكاة من ثوانٍ/دقائق إلى ميكروثوانٍ، فإنه يتيح التكرار السريع في تصميم القناع، وهو أمر حيوي لنمو قانون مور.
• القابلية للتوسع: يتوسع المنهج بفعالية من 2D إلى مسائل 3D معقدة دون زيادة تناسبية في التكلفة الحسابية.
• الأثر الأوسع: بينما ركزت الدراسة على الطباعة الحجرية بـ EUV، يرى المؤلفون أن بنية WGNO قابلة للتطبيق على الهياكل الكهرومغناطيسية المعقدة الأخرى، مثل المواد الخارقة (metamaterials) والمواد المركبة، حيث تكون الحلول العددية الصارمة بطيئة جداً حالياً لعمليات تحسين التصميم.

باختصار، تثبت الورقة البحثية أن العوامل العصبية الهجينة المستنيرة بالفيزياء (وتحديداً WGNO) تتفوق على كل من الشبكات العصبية القائمة على البيانات الصرفة (PINNs) والحلول العددية التقليدية، مما يوفر أفضل توازن بين الدقة الصارمة والسرعة الحسابية لتصنيع أشباه الموصلات في الجيل القادم.