Resumen Técnico: Litografía Inversa Basada en Gradientes para Máscaras EUV mediante el Método de Guía de Ondas y un Operador Neuronal Informado por la Física

1. Planteamiento del Problema

El artículo aborda el problema de la Tecnología de Litografía Inversa (ILT) para máscaras de Ultravioleta Extremo (EUV), centrándose específicamente en la fabricación de dispositivos semiconductores avanzados donde los tamaños de las características han entrado en el régimen de los ángstroms. A diferencia de los sistemas de ultravioleta profundo, la litografía EUV (que utiliza longitudes de onda de 13.5 nm y objetivos futuros de 11.2 nm) depende de máscaras reflectantes. La interacción entre la topografía tridimensional de la máscara y las ondas electromagnéticas incidentes oblicuamente induce efectos de difracción complejos que degradan la fidelidad del patrón en la oblea de silicio.

Aunque la Corrección de Proximidad Óptica (OPC) es el estándar, el enfoque más riguroso, la ILT, formula el diseño de la máscara como un problema inverso: encontrar la topología ideal de la máscara (específicamente la distribución de permitividad del absorbedor) para generar una distribución de intensidad deseada en la oblea. La ILT tradicional basada en píxeles es computacionalmente prohibitiva debido a la invocación repetida de simulaciones electromagnéticas de onda completa. Además, los surrogatos de aprendizaje profundo existentes suelen requerir grandes conjuntos de datos precomputados y tienen dificultades para generalizarse a través de geometrías de máscara realistas.

2. Metodología

Los autores proponen un marco de ILT basado en gradientes que trata el modelo de difracción hacia adelante como un motor de física diferenciable. La metodología central integra dos componentes primarios:

A. Guía de Ondas Diferenciable

El problema hacia adelante está gobernado por las ecuaciones de Maxwell en el tiempo armónico. Los autores emplean el método de guía de ondas, que transforma la ecuación de Helmholtz en un problema de autovalores algebraicos para cada capa mediante la separación de las dependencias transversales y longitudinales. Esto implica:

1. Expandir la componente del campo magnético en una serie de modos de guía de ondas.
2. Imponer la continuidad de las componentes tangenciales del campo en las interfaces de las capas para formar un sistema lineal global.
3. Resolver este sistema para determinar el campo reflejado.

Crucialmente, todo el operador hacia adelante se hace diferenciable con respecto a las variables de diseño (permitividad) mediante diferenciación automática. Esto permite el cálculo de gradientes sin aproximaciones de diferencia finita, reduciendo significamente el costo computacional en comparación con los métodos tradicionales.

B. Integración del Operador Neuronal (WGNO)

Para abordar el cuello de botella computacional de resolver el sistema lineal global, los autores incorporan el Operador Neuronal de Guía de Ondas (WGNO). Este enfoque híbrido reemplaza el resolvedor del sistema lineal con un Perceptrón Multicapa (MLP) entrenado para aproximar la solución. El WGNO está informado por la física, entrenado para minimizar el residuo de las leyes físicas (la ecuación del sistema lineal), asegurando que la salida satisfaga la física subyacente.

C. Estrategias de Optimización

El marco optimiza la permitividad del absorbedor $\varepsilon(x)$ utilizando dos estrategias de reparametrización, ambas seguidas de una binarización estricta:

1. Densidad por Píxel: Un campo auxiliar no restringido se mapea a la densidad física mediante una función sigmoide. La función de pérdida incluye términos para el ajuste de campo, la penalización de binarización y la variación total (para suprimir artefactos sub-longitud de onda).
2. Proyección Parametrizada por Fourier: La densidad se representa mediante una función latente limitada en banda definida por coeficientes de Fourier. Este enfoque suprime naturalmente el ruido de alta frecuencia y fuerza paredes de máscara suaves. La función de pérdida reemplaza la penalización de variación total con una penalización espectral sobre los coeficientes de alto orden.

La optimización minimiza un funcional de pérdida que mide la discrepancia entre las magnitudes al cuadrado de los campos eléctrico y deseado en una superficie remota.

3. Contribuciones Clave

• Marco de Extremo a Extremo Diferenciable: El artículo presenta un nuevo marco de ILT donde el modelo de difracción hacia adelante completo (basado en el riguroso método de guía de ondas) es diferenciable, permitiendo la optimización directa basada en gradientes de la permitividad de la máscara mediante diferenciación automática.
• Optimización Híbrida Informada por la Física: La integración del WGNO en el flujo de trabajo de ILT ofrece un esquema híbrido que conserva la estructura basada en la física del método de guía de ondas mientras reemplaza el paso de álgebra lineal más costoso con una red neuronal.
• Técnicas de Reparametrización: El estudio compara sistemáticamente la optimización de densidad por píxel frente a la proyección parametrizada por Fourier, demostrando la capacidad de esta última para producir perfiles de máscara más suaves y fabricables con un tiempo de optimización reducido.
• Escalabilidad de Materiales y Dimensiones: El marco se valida en absorbedores 2D y 3D realistas (TaBN, Lantano, Uranio) a $\lambda=11.2$ nm, demostrando la escalabilidad a diseños de múltiples características y geometrías de máscara tridimensionales.

4. Resultados Experimentales

Se realizaron experimentos numéricos en una configuración de máscara EUV 2D con una capa absorbente de 60 nm y un stack de espejos de Ru/Be/Sr de 30 períodos a $\lambda=11.2$ nm.

• Rendimiento de los Materiales: Se probaron tres materiales absorbentes. El Lantano (La) proporcionó la mejor intensidad máxima central, mientras que el Uranio (U) produjo la coincidencia más cercana con la distribución de campo deseada. El TaBN sirvió como línea base.
• Eficiencia de Optimización: La estrategia parametrizada por Fourier logró una aceleración de 1.31 veces (137 segundos frente a 179 segundos) en comparación con el método por píxel mientras resolvía el mismo problema hacia adelante. También produjo máscaras con paredes bien definidas y menos bordes dentados.
• Rendimiento del WGNO: Aunque el WGNO produjo resultados de optimización comparables al resolvedor riguroso, actualmente no ofrece una ventaja de velocidad. Los autores señalan que el costo computacional de entrenar la red simultáneamente con la optimización de la máscara superó los beneficios de la resolución más rápida del paso hacia adelante en su configuración actual.
• Extensión 3D: El marco se extendió con éxito a la optimización de máscas 3D (patrón objetivo de 214×214 nm), confirmando que el flujo de trabajo escala a diseños complejos y realistas.

5. Significado y Reivindicaciones

El artículo afirma establecer una ruta completamente diferenciable para el diseño inverso de máscaras EUV donde el modelo físico hacia adelante riguroso se preserva a lo largo de todo el proceso de optimización. Al aprovechar la diferenciación automática en el método de guía de ondas, los autores demuestran que es posible recuperar estructuras de máscara que logren las distribidades de campo deseadas sin depender de conjuntos de datos de aprendizaje supervisado o heurísticas libres de gradiente.

Los autores posicionan este trabajo como un paso para superar las limitaciones computacionales de la ILT convencional. Sugieren que, aunque la integración del WGNO en su forma actual (entrenamiento simultáneo) aún no produce una aceleración neta, el marco es robusto y escalable. El artículo concluye que este enfoque es aplicable no solo al diseño de máscaras EUV, sino también al diseño inverso de metamateriales y otras estructuras electromagnéticas periódicas, siempre que el modelo hacia adelante pueda hacerse diferenciable.