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

Resumen Técnico de MorphOPC: Avances en la Optimización de Máscaras con Aprendizaje Morfológico Jerárquico Multiescala

Enunciado del Problema
A medida que los tamaños de las características de los semiconductores se reducen a la escala nanométrica, la transferencia precisa de patrones de circuitos desde las máscaras fotolitográficas hasta las obleas de silicio se vuelve cada vez más difícil debido a la difracción óptica y las variaciones del proceso. La Corrección de Proximidad Óptica (OPC) es la técnica estándar utilizada para compensar estas distorsiones. Si bien la OPC basada en modelos tradicionales y las Técnicas de Litografía Inversa (ILT) ofrecen alta precisión, son computacionalmente prohibitivas para aplicaciones de chip completo debido a la necesidad de simulaciones repetidas de ida y vuelta y bucles de optimización iterativos.

Recientes enfoques de aprendizaje automático (ML), como GAN-OPC, DAMO y Neural-ILT, han surgido como sustitutos rápidos para acelerar la generación de máscaras. Sin embargo, estos modelos generativos suelen depender del aprendizaje estadístico del mapeo de diseño a máscara. A menudo fallan en capturar el razonamiento geométrico explícito requerido para una optimización precisa de la máscara. Por ejemplo, configuraciones geométricas específicas (por ejemplo, patrones de punta a punta que requieren extensiones tipo "hammerhead", o esquinas en forma de L que necesitan correcciones tipo "serif") exigen una comprensión analítica del contexto geométrico local en lugar de simplemente un emparejamiento estadístico de patrones. Los modelos de ML existentes a menudo producen máscaras subóptimas porque carecen de un marco interpretable para modelar estas transformaciones dependientes de la forma.

Metodología
Para abordar las limitaciones de los modelos generativos puramente estadísticos, los autores proponen MorphOPC, un enfoque novedoso que formula la generación de máscaras como una secuencia de operaciones morfológicas aprendidas.

• Abstracción Morfológica: La idea central es que las correcciones de OPC pueden verse como el desplazamiento de segmentos de borde hacia adentro o hacia afuera, lo que corresponde directamente a operaciones de morfología matemática: erosión (reducción de características) y dilatación (expansión de características). En lugar de diseñar manualmente elementos estructurantes (SE), MorphOPC aprende SEs adaptativos no planos y los coeficientes para estas operaciones directamente a partir de mapas de características convolucionales.
• Módulos Morfológicos Neuronales: La arquitectura introduce un bloque MorphBasic que reemplaza la agregación convolucional estándar con operaciones algebraicas de max-plus y min-plus aprendibles. Estos bloques utilizan superficies estructurantes aprendibles por canal ($w_c$) y términos de sesgo ($\beta_c$) para realizar la dilatación y la erosión. Un mecanismo de puerta aprendible equilibra dinámicamente la contribución de la dilatación y la erosión para cada canal.
• Aprendizaje Jerárquico Multiescala: Reconociendo que la litografía requiere modelar tanto primitivas geométricas locales (bordes, esquinas) como interacciones de patrones no locales, los autores introducen un módulo MultiScaleMorph. Este módulo divide los canales de características en grupos ($s$) y los procesa a través de un marco residual jerárquico. Cada grupo emplea bloques morfológicos con tamaños de kernel distintos (por ejemplo, 3x3 y 5x5), lo que permite a la red capturar características con tamaños de campo receptivo variables.
• Arquitectura: MorphOPC integra estos módulos en una estructura estándar de codificador-decodificador. El codificador extrae características jerárquicas, que son refinadas por los módulos morfológicos multiescala. El decodificador reconstruye la máscara de alta resolución, fusionando las características refinadas geométricamente mediante conexiones de salto.
• Estrategia de Entrenamiento: El modelo emplea un proceso de entrenamiento en dos etapas. Primero, se preentrena para minimizar el Error Cuadrático Medio (MSE) entre la máscara predicha y la máscara de verdad fundamental. Posteriormente, se ajusta fino utilizando un paradigma estilo GAN que incorpora un simulador de litografía. El generador se optimiza mediante una pérdida compuesta que incluye el error de reconstrucción de la máscara, el error de impresión (diferencia entre la oblea simulada y la objetivo) y un objetivo adversarial para mejorar el realismo.

Contribuciones Clave

1. Formulación de la Generación de Máscaras como Morfología: El artículo formula el problema de la OPC como una composición de operaciones de dilatación y erosión aprendidas aplicadas a patrones de diseño locales, proporcionando un marco interpretable para las transformaciones geométricas.
2. Arquitectura MorphOPC: Los autores proponen una arquitectura jerárquica multiescala que integra módulos morfológicos diferenciables en un marco de codificador-decodificador, permitiendo a la red aprender elementos estructurantes adaptativos y combinaciones de operaciones dependientes del contexto.
3. Rendimiento y Generalización: Experimentos extensivos demuestran que MorphOPC logra un rendimiento de última generación (SOTA) en múltiples puntos de referencia (GAN-OPC, LithoBench, MaskOpt) y exhibe una superior generalización a patrones de diseño complejos no vistos en comparación con los métodos de OPC basados en aprendizaje existentes.

Resultados Experimentales
Los autores evaluaron MorphOPC frente a líneas base de aprendizaje basadas en SOTA (GAN-OPC, DAMO, Neural-ILT, CFNO) y métodos basados en optimización (MultiILT, CurvyILT) en varios conjuntos de datos:

• Rendimiento en Puntos de Referencia: En los conjuntos de datos GAN-OPC, LithoBench (MetalSet y ViaSet) y MaskOpt, MorphOPC logró consistentemente el menor error $\ell_2$ (fidelidad de impresión) y un Error de Colocación de Borde (EPE) y una Banda de Variación de Proceso (PVB) competitivos. Por ejemplo, en la tarea EBOPC de MaskOpt, MorphOPC redujo el error $\ell_2$ en un 18.7% en comparación con GAN-OPC y en un 8.5% en comparación con DAMO.
• Generalización: En pruebas sobre el punto de referencia ICCAD 2013 (diseños no vistos), MorphOPC demostró una generalización robusta, logrando el menor error $\ell_2$ y recuento de disparos (Shot count) mientras mantenía una PVB competitiva, superando a las líneas base que a menudo sufrían altas tasas de error en patrones complejos.
• Estudios de Ablación: La eliminación de los módulos morfológicos o de la jerarquía multiescala resultó en una degradación significativa del rendimiento, confirmando la necesidad tanto del razonamiento geométrico como de la extracción de características multiescala.
• Eficiencia: Mientras mantiene una calidad de máscara superior, MorphOPC conserva la ventaja de velocidad de los métodos de ML, operando en el orden de $10^{-2}$ a $10^{-1}$ segundos, significativamente más rápido que las OPCs basadas en optimización (que tardan segundos). Además, cuando se utiliza para inicializar OPCs basadas en optimización, MorphOPC proporciona el punto de partida más efectivo, produciendo la mejor calidad final de impresión.

Significado
El artículo afirma que MorphOPC representa un avance significativo al cerrar la brecha entre la velocidad del aprendizaje automático y el rigor geométrico requerido para una optimización precisa de máscaras. Al incorporar operaciones morfológicas diferenciables que se alinean con comportamientos litográficos fundamentales (expansión y contracción), el modelo asegura que la optimización de máscaras no solo sea computacionalmente eficiente, sino también explicable. Los resultados sugieren que MorphOPC tiene un gran potencial como un sustituto escalable y de alta fidelidad para los métodos de OPC tradicionales en flujos de diseño industrial a gran escala, equilibrando efectivamente la fidelidad de impresión con la fabricabilidad (bajo recuento de disparos).