MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning

ملخص تقني لـ MorphOPC: تعزيز تحسين الأقنعة باستخدام التعلم المورفولوجي الهرمي متعدد المقاييس

بيان المشكلة
مع تقلص أحجام الميزات في أشباه الموصلات إلى مقياس النانومتر، أصبح نقل أنماط الدوائر من الأقنعة الضوئية (photomasks) إلى رقائق السيليكون بدقة أمراً صعباً بشكل متزايد بسبب الحيود الضوئي وتغيرات العمليات. يعد تصحيح القرب الضوئي (OPC) التقنية القياسية المستخدمة للتعويض عن هذه التشوهات. وبينما توفر تقنيات OPC التقليدية القائمة على النماذج وتقنيات الليثوغرافيا العكسية (ILT) دقة عالية، إلا أنها مكلفة حوسبياً للتطبيقات كاملة الشريحة بسبب الحاجة إلى عمليات محاكاة متكررة (للأمام وللخلف) وحلقات تحسين تكرارية.

وقد ظهرت مؤخراً نهج تعلم آلي (ML) مثل GAN-OPC وDAMO وNeural-ILT كبدائل سريعة لتسريع توليد الأقنعة. ومع ذلك، تعتمد هذه النماذج التوليدية عادةً على التعلم الإحصائي للرسم التخطيطي إلى القناع. وغالباً ما تفشل في التقاط الاستنتاج الهندسي الصريح المطلوب لتحسين الأقماسك بدقة. فعلى سبيل المثال، تتطلب التكوينات الهندسية المحددة (مثل أنماط "رأس إلى رأس" التي تتطلب امتدادات "رأس المطرقة"، أو زوايا حرف L التي تتطلب تصحيحات "serif") فهماً تحليلياً للسياق الهندسي المحلي بدلاً من مجرد المطابقة النمطية الإحصائية. غالباً ما تنتج نماذج التعلم الآلي الحالية أقنعة دون المستوى الأمثل لأنها تفتقر إلى إطار عمل قابل للتفسير لنمذجة هذه التحولات المعتمدة على الشكل.

المنهجية
لمعالجة قيود نماذج التوليد الإحصائية البحتة، يقترح المؤلفون MorphOPC، وهو نهج مبتكر يصيغ توليد الأقنعة كسلسلة من العمليات المورفولوجية المتعلمة.

• التجريد المورفولوجي: الرؤية الجوهرية هي أن تصحيحات OPC يمكن اعتبارها إزاحة لقطع الحواف للداخل أو الخارج، وهو ما يتوافق مباشرة مع العمليات المورفولوجية الرياضية: التآكل (erosion - تقليص الميزات) والتمدد (dilation - توسيع الميزات). وبدلاً من تصميم عناصر هيكلية (SEs) يدوياً، يتعلم MorphOPC عناصر هيكلية غير مسطحة ومتكيفة ومعاملات هذه العمليات مباشرة من خرائط الميزات الالتفافية.
• الوحدات المورفولوجية العصبية: تقدم البنية وحدة MorphBasic التي تستبدل التجميع الالتفافي القياسي بعمليات جبرية "max-plus" و"min-plus" قابلة للتعلم. تستخدم هذه الوحدات أسطح هيكلية قابلة للتعلم لكل قناة ($w_c$) وحدود انحياز ($\beta_c$) لأداء عمليات التمدد والتآكل. كما يستخدم آلية بوابات (gating mechanism) قابلة للتعلم لموازنة المساهمة الديناميكية للتمدد والتآكل لكل قناة.
• التعلم الهرمي متعدد المقاييس: إدراكاً بأن الليثوغرافيا تتطلب نمذجة كل من العناصر الهندسية الأولية المحلية (الحواف، الزوايا) والتفاعلات غير المحلية للأنماط، قدم المؤلفون وحدة MultiScaleMorph. تقوم هذه الوحدة بتقسيم قنوات الميزات إلى مجموعات ($s$) ومعالجتها من خلال إطار عمل متبقي هرمي. تستخدم كل مجموعة كتل مورفولوجية ذات أحجام نواة مختلفة (على سبيل المثال، 3x3 و5x5)، مما يسمح للشبكة بالتقاط الميزات ذات مجالات الاستقبال المتفاوتة.
• البنية: يدمج MorphOPC هذه الوحدات في بنية مشفر-فك تشفير (encoder-decoder) قياسية. يستخرج المشفر الميزات الهرمية، التي يتم صقلها بواسطة الوحدات المورفولوجية متعددة المقاييس. يقوم فك التشفير بإعادة بناء القناع عالي الدقة، ودمج الميزات المصقولة هندسياً عبر اتصالات القفز (skip connections).
• استراتيجية التدريب: يستخدم النموذج عملية تدريب من مرحلتين. أولاً، يتم تدريبه مسبقاً لتقليل خطأ متوسط المربعات (MSE) بين القناع المتوقع والقناع الحقيقي. لاحقاً، يتم ضبطه بدقة باستخدام نموذج يشبه شبكات الخصومة التوليدية (GAN) يتضمن محاكي ليثوغرافيا. يتم تحسين المولد باستخدام خسارة مركبة تتضمن خطأ إعادة بناء القناع، وخطأ الطباعة (الفرق بين الوافر المحاكى والهدف)، وهدفاً خصومياً لتعزيز الواقعية.

المساهمات الرئيسية

1. صياغة توليد الأقنعة كعملية مورفولوجية: يصيغ البحث مشكلة OPC كتركيب من عمليات التمدد والتآكل المتعلمة المطبقة على الأنماط التخطيطية المحلية، مما يوفر إطار عمل قابلاً للتفسير للتحولات الهندسية.
2. بنية MorphOPC: يقترح المؤلفون بنية هرمية متعددة المقاييس تدمج الوحدات المورفولوجية القابلة للتفاضل في إطار عمل مشفر-فك تشفير، مما يمكّن الشبكة من تعلم عناصر هيكلية متكيفة وتوليد تركيبات تعتمد على السياق.
3. الأداء والتعميم: تُظهر التجارونات المكثفة أن MorphOPC يحقق أداءً هو الأفضل في فئته (SOTA) عبر عدة اختبارات مرجعية (GAN-OPC، LithoBench، MaskOpt) ويُظهر قدرة فائقة على التعميم لأنماط التصميم المعقدة وغير المرئية مقارنة بطرق OPC القائمة على التعلم الحالية.

النتائج التجريبية
قيم المؤلفون MorphOPC مقابل خطوط الأساس المتطورة القائمة على التعلم (GAN-OPC، DAMO، Neural-ILT، CFNO) والطرق القائمة على التحسين (MultiILT، CurvyILT) عبر عدة مجموعات بيانات:

• أداء الاختبار المرجعي: في مجموعات بيانات GAN-OPC وLithoBench (MetalSet وViaSet) وMaskOpt، حقق MorphOPC باستمرار أدنى خطأ $\ell_2$ (دقة الطباعة) وخطأ وضع الحافة (EPE) ونطاق تباين العملية (PVB) تنافسي. على سبيل المثال، في مهمة EBOPC الخاصة بـ MaskOpt، قلل MorphOPC خطأ $\ell_2$ بنسبة 18.7% مقارنة بـ GAN-OPC و8.5% مقارنة بـ DAMO.
• التعميم: في الاختبارات على معيار ICCAD 2013 (تخطيطات غير مرئية)، أظهر MorphOPC تعميماً قوياً، محققاً أدنى خطأ $\ell_2$ وأقل عدد من الطلقات (Shot count) مع الحفاظ على PVB تنافسي، متفوقاً على الخطوط الأساسية التي غالباً ما تعاني من معدلات خطأ عالية في الأنماط المعقدة.
• دراسات الاستئصال (Ablation Studies): أدى إزالة الوحدات المورفولوجية أو الهرمية متعددة المقاييس إلى تدهور كبير في الأداء، مما يؤكد ضرورة كل من الاستنتاج الهندسي واستخراج الميزات متعددة المقاييس.
• الكفاءة: مع الحفاظ على جودة القناع الفائقة، يحتفظ MorphOPC بميزة السرعة التي توفرها طرق التعلم الآلي، حيث يعمل في رتبة $10^{-2}$ إلى $10^{-1}$ ثانية، وهو أسرع بكثير من عمليات OPC القائمة على التحسين (التي تستغرق ثوانٍ). علاوة على ذلك، عند استخدامه لتهيئة عمليات OPC القائمة على التحسين، وفر MorphOPC نقطة البداية الأكثر فعالية، مما أدى إلى أفضل جودة طباعة نهائية.

الأهمية
يزعم البحث أن MorphOPC يمثل تقدماً كبيراً من خلال سد الفجوة بين سرعة التعلم الآلي والدقة الهندسية المطلوبة لتحسين الأقنعة بدقة. ومن خلال دمج العمليات المورفولوجية القابلة للتفاضل التي تتوافق مع السلوكيات الليثوغرافية الأساسية (التمدد والانكماش)، يضمن النموذج أن تحسين القناع ليس فعالاً حوسبياً فحسب، بل وقابلاً للتفسير أيضاً. تشير النتائج إلى أن Morph-OPC لديه إمكانات قوية ليكون بديلاً عالي الدقة وقابلاً للتوسع لطرق OPC التقليدية في تدفقات التصميم الصناعية واسعة النطاق، مما يوازن بفعالية بين دقة الطباعة وقابلية التصنيع (انخفاض عدد الطلقات).