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

Diese Arbeit stellt physik-informierte neuronale Netze und einen neuartigen hybriden Waveguide Neural Operator vor, die die Beugung von EUV-Wellen an Lithographiemasken mit hoher Genauigkeit und deutlich reduzierter Rechenzeit im Vergleich zu herkömmlichen numerischen Lösern simulieren und damit die Optimierung zukünftiger Masken beschleunigen.

Das Wesentliche

🌟 Die große Herausforderung: Licht, das sich nicht benimmt

Stell dir vor, du bist ein Architekt, der ein winziges, komplexes Schloss bauen will – nur dass dieses Schloss aus Silizium ist und die Bausteine kleiner als ein Virus sind. Um diese Bausteine zu formen, nutzen Hersteller Extreme Ultraviolet Lithografie (EUV). Das ist im Grunde ein extrem präzises Projektionsverfahren, bei dem Licht durch eine Art „Schablone" (eine Maske) geschickt wird, um Muster auf einen Wafer zu brennen.

Das Problem? Licht ist ein frecher Kerl. Wenn es auf diese winzigen Schablonen trifft, passiert etwas Seltsames: Es beugt sich (wie Wasser, das um einen Felsen fließt) und interferiert (die Wellen überlagern sich). Das bedeutet, das Muster, das auf dem Wafer ankommt, sieht oft gar nicht mehr so aus wie die Schablone.

Um das zu korrigieren, müssen Ingenieure die Schablone so verändern, dass das Licht am Ende genau das richtige Bild malt. Dafür müssen sie berechnen, wie das Licht durch die Schablone fliegt.

🐢 Der alte Weg: Der langsame Elefant

Bisher haben Ingenieure dafür riesige Computerprogramme genutzt, die die physikalischen Gesetze (die Maxwell-Gleichungen) Schritt für Schritt durchrechnen.

• Die Analogie: Stell dir vor, du willst wissen, wie sich eine Welle in einem Becken ausbreitet. Der alte Computer rechnet das so aus, als würde er jedes einzelne Wassermolekül einzeln berechnen. Das ist extrem genau, aber es dauert ewig. Ein einziger Berechnungsvorgang kann Stunden oder sogar Tage dauern. In der Chip-Industrie, wo man Tausende solcher Berechnungen braucht, ist das ein Flaschenhals.

🚀 Die neue Lösung: Intelligente Vorhersage-Maschinen

Die Autoren dieses Papiers haben eine neue Idee entwickelt: Warum nicht einen Künstlichen Intelligenz (KI)-Assistenten trainieren, der die Physik versteht, anstatt sie jedes Mal neu zu berechnen?

Sie haben zwei verschiedene KI-Ansätze getestet:

1. Der „Physik-verstehende" Neuronale Netz (PINN):

   • Die Analogie: Stell dir einen Schüler vor, der keine Lösungen auswendig gelernt hat, sondern nur die Regeln der Physik (die Formeln) auswendig gelernt hat. Wenn man ihm eine Aufgabe gibt, versucht er, die Lösung zu erraten, prüft sie gegen die Regeln und korrigiert sich selbst, bis er es richtig macht.
   • Das Ergebnis: Das funktioniert gut, aber der Schüler braucht viel Zeit zum Lernen und macht bei sehr komplexen Aufgaben manchmal noch kleine Fehler.

2. Der „Waveguide Neural Operator" (WGNO) – Der Star des Papiers:

   • Die Analogie: Das ist wie ein erfahrener Meister, der nicht jedes Detail neu berechnet, sondern ein intuitives Gefühl für das Problem hat. Er hat gelernt, wie die Wellen durch die Schichten der Schablone laufen, indem er die „schwersten" Teile der Berechnung durch ein neuronales Netz ersetzt hat.
   • Der Trick: Statt alles von Grund auf neu zu berechnen, nutzt er die Struktur des Problems (die Schichten der Maske) und lernt nur die komplexen Zusammenhänge dazwischen.

🏆 Das Rennen: Wer gewinnt?

Die Forscher haben einen Wettkampf veranstaltet: Der alte Computer (der Elefant) gegen die beiden KI-Modelle.

• Genauigkeit: Der alte Computer ist sehr genau. Der einfache KI-Schüler (PINN) ist okay, aber der Meister-KI (WGNO) ist fast genauso genau wie der alte Computer – manchmal sogar besser.
• Geschwindigkeit: Hier ist der Unterschied riesig!
  • Der alte Computer braucht Stunden.
  • Die KI braucht Millisekunden.
  • Vergleich: Es ist, als würde der alte Computer jeden einzelnen Ziegelstein eines Hauses einzeln messen, während die KI das ganze Haus in einem Wimpernschlag entwirft, weil sie weiß, wie Häuser gebaut werden.

💡 Warum ist das wichtig?

1. Schnellere Chips: Da die Berechnungen so viel schneller sind, können Ingenieure viel schneller neue Masken entwerfen und testen. Das beschleunigt die Entwicklung neuer, leistungsfähigerer Computerchips.
2. Zukunftssicher: Die KI kann nicht nur für die aktuellen Wellenlängen (13,5 nm) lernen, sondern zeigt, dass sie auch für zukünftige, noch kleinere Wellenlängen (11,2 nm) funktioniert.
3. Generalisierung: Das ist das Coolste an der neuen KI (WGNO): Wenn man sie auf eine Schablone trainiert hat, kann sie sofort auch eine völlig neue, unbekannte Schablone berechnen, ohne dass man sie neu trainieren muss. Sie hat das Prinzip verstanden, nicht nur die Antworten auswendig gelernt.

Fazit

Dieses Papier zeigt, wie man künstliche Intelligenz nutzt, um die schwierigsten physikalischen Probleme in der Chip-Herstellung zu lösen. Statt stundenlang zu rechnen, lernt eine KI die „Regeln des Lichts" und sagt das Ergebnis in Sekundenbruchteilen voraus. Es ist ein großer Schritt hin zu schnelleren, effizienteren und leistungsfähigeren Computern in unserer Zukunft.

Technische Zusammenfassung

Titel: Physik-informierte neuronale Systeme zur Simulation der Beugung von EUV-Elektromagnetischen Wellen an Lithographie-Masken

Autoren: Vasiliy A. Es'kin und Egor V. Ivanov (Universität Nischni Nowgorod)

---

1. Problemstellung

Die Extrem-Ultraviolett-Lithographie (EUV) ist ein entscheidender Prozess für die Herstellung fortschrittlicher Halbleiterchips. Bei diesem Verfahren werden Muster auf Siliziumwafer durch Reflexion von EUV-Licht (Wellenlängen von ca. 13,5 nm und zukünftig 11,2 nm) an einer Maske übertragen. Aufgrund von Beugungs- und Interferenzeffekten stimmen die Muster auf der Maske nicht exakt mit dem resultierenden Lichtmuster auf dem Wafer überein. Um dies zu korrigieren, wird die Optical Proximity Correction (OPC) eingesetzt, die eine präzise Berechnung der elektromagnetischen Felder im Bereich der Maske erfordert.

Das zentrale Problem liegt in der hohen Rechenkomplexität:

• Exakte numerische Solver (wie Finite-Elemente-Methoden oder rigorose Wellenleiter-Methoden) sind zwar präzise, aber extrem rechenintensiv und langsam.
• Herkömmliche Approximationsmodelle (z. B. M3D-Filter) vernachlässigen oft nicht-lokale Wechselwirkungen.
• Überwachtes Deep Learning (z. B. CNNs, GANs) erfordert große gelabelte Datensätze, lange Trainingszeiten und zeigt oft mangelnde Generalisierungsfähigkeit.

Ziel der Arbeit ist es, effiziente, hochpräzise und generalisierende Methoden zur Simulation der Beugung an 3D-Masken zu entwickeln, um den OPC-Designzyklus zu beschleunigen.

---

2. Methodik

Die Autoren stellen zwei Hauptansätze vor, die auf physikalischen Prinzipien basieren, und vergleichen diese mit etablierten numerischen Methoden:

A. Referenzmethoden

• Finite-Elemente-Methode (FEM): Implementiert in FreeFem++. Dient als robuste, aber rechenintensive Referenz.
• Wellenleiter-Methode (Waveguide Method - WG): Ein hochpräziser Referenzsolver, der die geschichtete Struktur der Maske ausnutzt. Die Lösung wird als Superposition von Wellenleiter-Moden dargestellt. Der rechenintensivste Teil ist das Lösen eines großen linearen Gleichungssystems (Eigenwertproblem) an den Schichtgrenzen.

B. Physik-informierte Neuronale Netze (PINNs)

• Ansatz: Ein unüberwachter Lernansatz, bei dem ein neuronales Netz (MLP) die latenten Variablen des elektromagnetischen Feldes ($H_x, H_y$) approximiert.
• Training: Das Netz wird durch Minimierung einer Verlustfunktion trainiert, die sowohl die Randbedingungen als auch die Residuen der Maxwell-Gleichungen (die zugrundeliegenden PDEs) im gesamten Lösungsgebiet berücksichtigt.
• Besonderheit: Keine gelabelten Trainingsdaten nötig; die Physik dient als "Lehrer".

C. Der Wellenleiter-Neurale Operator (WGNO) – Der Hauptbeitrag

• Konzept: Eine hybride Architektur, die die physikalische Struktur der Wellenleiter-Methode mit neuronalen Netzen kombiniert.
• Funktionsweise: Anstatt das gesamte physikalische Problem neu zu lernen, ersetzt das WGNO den rechenintensivsten Teil der WG-Methode (das Lösen des linearen Gleichungssystems $\hat{M}A = R$) durch ein neuronales Netz (MLP).
• Lernziel: Das Netz lernt die Abbildung von den Maskenparametern (Fourier-Koeffizienten der Permittivität) und dem Eingangsvektor direkt auf die Lösung des linearen Systems (die Modenamplituden $A$).
• Vorteil: Der Operator ist mesh-unabhängig, lernt in einem latenten (Fourier-)Raum und zielt direkt auf den Engpass der Berechnung ab.

---

3. Wichtige Beiträge

1. Einführung des WGNO: Entwicklung einer neuen hybriden Architektur, die die Effizienz von neuronalen Operatoren mit der physikalischen Genauigkeit der Wellenleiter-Methode vereint.
2. Unüberwachtes Training: Demonstration, dass komplexe 3D-Beugungsprobleme ohne gelabelte Datensätze, sondern allein durch die Einbettung der Maxwell-Gleichungen gelöst werden können.
3. Generalisierungsfähigkeit: Nachweis, dass der WGNO nicht nur für Trainingsdaten, sondern auch für bisher nicht gesehene Parameter (z. B. andere Lochgrößen in der Maske) hochpräzise Lösungen liefert.
4. Skalierbarkeit: Erfolgreiche Anwendung auf realistische 2D- und 3D-Maskenmodelle für aktuelle (13,5 nm) und zukünftige (11,2 nm) EUV-Wellenlängen.

---

4. Ergebnisse

Genauigkeit und Fehler

• Testprobleme (2D): Auf Problemen mit bekannten analytischen Lösungen erreicht der WGNO Fehler in der Größenordnung von $10^{-7}$ bis $10^{-8}$ (relative $L_2$-Fehler), was mehrere Größenordnungen besser ist als die PINN ($10^{-3}$ bis $10^{-2}$) und nahe an der Maschinenpräzision der WG-Methode liegt.
• Realistische Masken (13,5 nm & 11,2 nm):
  • PINN: Zeigt signifikante Fehler (ca. 3–5 %), besonders bei komplexen Strukturen, und benötigt lange Trainingszeiten (>1000 s).
  • WGNO: Erreicht extrem hohe Genauigkeit (Fehler < $10^{-6}$) und ist visuell kaum von der Referenzlösung unterscheidbar.

Geschwindigkeit und Effizienz

• Trainingszeit: Der WGNO benötigt für 2D-Probleme nur wenige Sekunden bis Minuten (z. B. 4,3 s für 13,5 nm), während PINNs über 1000 s benötigen. Für 3D-Probleme liegt die Trainingszeit unter 20 Sekunden.
• Inferenzzeit (Vorhersage): Die Vorhersagezeit des WGNO ist extrem kurz ($\approx 1,8 \times 10^{-4}$ s), was eine Beschleunigung von über dem Faktor 200 gegenüber dem rigorosen WG-Solver bedeutet.

Generalisierung

• Ein Maß für die Generalisierung ($\mu$) wurde eingeführt. Der WGNO erreicht Werte nahe 1,0 (z. B. 0,999 bei 100 Partitionen), was bedeutet, dass die Genauigkeit für unbekannte Parameter fast so hoch ist wie für bekannte Trainingsparameter.

---

5. Bedeutung und Fazit

Die Arbeit zeigt, dass physik-informierte neuronale Systeme, insbesondere der vorgeschlagene Waveguide Neural Operator (WGNO), einen Durchbruch in der EUV-Lithographie-Simulation darstellen.

• Praktische Relevanz: Die Methode ermöglicht eine drastische Beschleunigung des OPC-Designzyklus, was für die Herstellung von Halbleitern mit immer kleineren Strukturgrößen essenziell ist.
• Übertragbarkeit: Die Ansätze sind nicht auf Lithographie beschränkt, sondern können zur Optimierung komplexer elektromagnetischer Strukturen wie Metamaterialien oder Verbundwerkstoffen eingesetzt werden.
• Zukunftsaussicht: Der WGNO bietet eine state-of-the-art Lösung, die sowohl die Genauigkeit rigoroser physikalischer Solver mit der Geschwindigkeit moderner Deep-Learning-Methoden vereint, ohne dabei auf große gelabelte Datensätze angewiesen zu sein.

Zusammenfassend stellt der WGNO eine hoch-effiziente Alternative zu traditionellen numerischen Solvern dar, die den Workflow für die nächste Generation von Lithographie-Masken revolutionieren könnte.