🔬 optics

Inverse mask design for interference lithography using automatic differentiable wave propagation

Este artículo presenta un marco de optimización basado en gradientes que utiliza diferenciación automática y el método del espectro angular diferenciable para diseñar máscaras de litografía de interferencia binaria que generan con éxito nanoestructuras complejas y no periódicas con defectos mínimos, empleando técnicas de eficiencia de memoria como el ASM desplazado y el control de puntos de control de gradiente para escalar a tamaños de máscara grandes.

Autores originales: Chuntian Cao, Jangwoon Sung, Jack Griffiths, Yuan Gao, Xi Yu, Paul Baity, Nikhil Tiwale, Zhitian Shi, Juhong Ahn, Shinjae Yoo, Yong S. Chu, Chang-Yong Nam

Publicado 2026-08-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chuntian Cao, Jangwoon Sung, Jack Griffiths, Yuan Gao, Xi Yu, Paul Baity, Nikhil Tiwale, Zhitian Shi, Juhong Ahn, Shinjae Yoo, Yong S. Chu, Chang-Yong Nam

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando imprimir una imagen usando solo una linterna y un trozo de cartón. En el mundo de la fabricación de cosas diminutas —como los circuitos dentro de tu teléfono o los patrones en un microchip—, los científicos utilizan una técnica llamada Litografía de Interferencia. Piensa en esto como si, en lugar de proyectar luz a través de una plantilla para obtener una sombra, proyectaras dos o más haces de luz láser para que choquen entre sí. Donde las ondas de luz se encuentran de la manera correcta, crean franjas brillantes y oscuras, como las ondas de un estanque colisionando. Esto es fantástico para crear patrones repetitivos perfectos (como una cuadrícula de puntos) porque la matemática es simple y predecible.

Pero, ¿qué pasa si quieres imprimir algo desordenado y único, como un logotipo o un dibujo complejo, en lugar de una simple cuadrícula repetitiva? Ahí es donde las cosas se complican. Las ondas de luz ya no siguen una regla simple; se enredan. Para obtener la imagen correcta en la "película" (una capa especial sensible a la luz), tienes que diseñar una máscara muy específica y extraña (el cartón con agujeros) que tuerza la luz exactamente como necesitas. El problema es que determinar cómo debería ser esa máscara es como intentar adivinar la forma de una piedra simplemente mirando su sombra. Es un rompecabezas sin una solución obvia, y durante mucho tiempo, crear estas máscaras personalizadas para formas complejas fue increíblemente difícil.

Aquí es donde entra un equipo de investigadores del Laboratorio Nacional de Brookhaven con un nuevo truco ingenioso. No se limitaron a adivinar; construyeron un programa informático súper inteligente que aprende a diseñar estas máscaras mediante ensayo y error, pero con un superpoder: la diferenciación automática.

Así es como funciona su "magia". Imagina que estás intentando esculpir una estatua de arcilla, pero solo puedes ver la sombra que proyecta en una pared. Quieres que la sombra se vea exactamente como la foto de un gato. En el pasado, podrías haber adivinado, mirado la sombra y vuelto a adivinar, esperando acercarte más. Este nuevo método es como tener un robot que puede decirte instantáneamente qué pequeña mota de arcilla debes mover para que la sombra se vea mejor. La computadora simula el paso de la luz a través de una máscara digital, observa cómo la "sombra" resultante (el patrón) se compara con la imagen objetivo y luego utiliza las matemáticas para calcular exactamente cómo ajustar la máscara para corregir los errores. Hace esto miles de veces seguidas, acercándose cada vez más a la perfección.

Los investigadores utilizaron una técnica llamada Método del Espectro Angular para simular cómo viaja la luz. Piensa en esto como un motor de videojuego súper preciso que predice exactamente cómo las ondas de luz bailarán e interferirán entre sí. Al hacer que este motor sea "diferenciable", permitieron que la computadora trabajara hacia atrás, desde el error hasta la causa. Comenzaron con una máscara digital aleatoria y desordenada y dejaron que la computadora realizara la "retropropagación" de los errores, ajustando los píxeles de la máscara hasta que el patrón de luz simulado coincidiera casi perfectamente con su diseño objetivo.

Los resultados fueron impresionantes. Diseñaron una máscara que podía imprimir un patrón complejo (basado en el logotipo del Laboratorio Nacional de Brookhaven) con detalles increíblemente nítidos. El patrón final tenía solo un 0,1% de sus píxeles incorrectos; básicamente, solo unas pocas motas diminutas y dispersas de polvo en una imagen por lo demás perfecta. Lo que es aún más genial, la máscara que diseñaron tenía píxeles de 800 nanómetros de ancho, pero podía imprimir características de tan solo 400 nanómetros. Eso es como usar un pincel grueso para pintar una línea que es la mitad del ancho de las cerdas del pincel, todo gracias a la forma en que las ondas de luz interfieren entre sí.

Sin embargo, había un inconveniente. Simular este baile de luz para una máscara grande requiere una cantidad masiva de memoria informática, como intentar contener un océano gigante en una sola taza. Para resolver esto, el equipo inventó una versión "desplazada" de su simulación. Imagina que estás intentando pintar un gran mural. En lugar de intentar tener todo el lienzo en tu mente a la vez, lo divides en pequeños cuadrados, pintas cada cuadrado por separado y luego los pegas. Este enfoque de "mosaico" les permitió simular máscaras que eran 10,2 veces más grandes de lo que sus computadoras normalmente podrían manejar. Incluso probaron ejecutar esto en cuatro tarjetas gráficas a la vez, lo que hizo que el proceso fuera 2,5 veces más rápido.

Un detalle importante que descubrieron es que esta magia solo funciona si la luz es muy pura. Si usas una linterna con una mezcla de colores (como la luz blanca), el patrón se vuelve borroso y se desvanece. Descubrieron que la luz necesita ser casi de un solo color (monocromática), como un láser, para mantener los bordes nítidos. Si el color de la luz varía demasiado, el delicado patrón de interferencia se desmorona.

Al final, este artículo no solo muestra una nueva forma de diseñar máscaras; abre la puerta a la impresión de cualquier forma que puedas imaginar utilizando la litografía de interferencia. Al combinar la física con el aprendizaje automático, convirtieron un problema matemático casi imposible en un rompecabezas soluble. Aunque demostraron que esto funciona en simulaciones, el camino está ahora despejado para construir máscaras del mundo real para crear nanoestructuras complejas y no repetitivas, lo que potencialmente revolucionará la forma en que fabricamos dispositivos diminutos e intrincados en el futuro.

Resumen Técnico: Diseño de Máscara Inversa para Litografía de Interferencia mediante Propagación de Ondas Automáticamente Diferenciable

Planteamiento del Problema
La litografía de interferencia (IL) es una técnica estándar para la fabricación de nanoestructuras periódicas de alta resolución y para la calificación de fotorresistes, particularmente en longitudes de onda de ultravioleta extremo (EUV). Sin embargo, diseñar fotomáscaras para generar patrones arbitrarios y no periódicos sigue siendo un desafío significativo. Aunque la propagación directa desde una máscara hacia una imagen aérea puede computarse analíticamente, el problema inverso —determinar la máscara requerida para producir una imagen aérea específica— es mal planteado debido a la falta de información de fase en los patrones de intensidad de la imagen aérea. Los métodos existentes suelen tener dificultades para escalar a tamaños de máscara grandes o para resolver características más pequeñas que el paso de píxel de la máscara sin costos computacionales prohibitivos.

Metodología
Los autores proponen un marco de optimización basado en gradientes que utiliza la diferenciación automática para resolver el problema de diseño de máscara inversa. El núcleo del enfoque es un modelo directo diferenciable basado en el Método del Espectro Angular (ASM), una técnica estándar para simular la difracción en campos cercanos e intermedios.

Modelo Directo: El ASM computa el campo propagado en el plano de la imagen realizando una transformada de Fourier del campo de la máscara, multiplicando por una función de transferencia (que incluye la propagación en espacio libre y el limitación de banda para suprimir componentes evanescentes y de aliasing), y aplicando una transformada de Fourier inversa. Este proceso es totalmente diferenciable, lo que permite la retropropagación de gradientes.
Formulación de la Optimización: El diseño de la máscara se trata como un problema de optimización sobre "logits" continuos ( $\ell$ ). Estos logits se convierten en una máscara binaria suave mediante una función sigmoide con un parámetro de temperatura ( $\tau$ ), que se enfría durante el entrenamiento para aproximarse a una máscara binaria rígida. La función de pérdida ( $\mathcal{L}$ ) combina un término de correlación de Pearson entre la amplitud del campo simulado y el patrón objetivo con términos de regularización: Variación Total ( $L_{TV}$ ) para penalizar las variaciones espaciales de alta frecuencia y Dispersión ( $L_{sp}$ ) para promover máscaras dispersas y fabricables.
Escalabilidad (ASM Desplazado): Para abordar el escalamiento de memoria $O(N^2)$ del ASM estándar para máscaras grandes, los autores emplean el ASM Desplazado (Shifted ASM). Este método particiona la máscara en parches más pequeños (por ejemplo, $4 \times 4$ ), propaga cada uno de forma independiente utilizando funciones de transferencia que consideran los desplazamientos laterales, y suma los campos complejos resultantes en el plano de observación. Esto reduce los requisitos de memoria pico para escalar con el tamaño del parche, $O((N/P)^2)$ .
Paralelización: El marco soporta distribución multi-GPU, donde los parches se asignan a diferentes GPUs. La comunicación se limita a dos operaciones de all-reduce: la suma de campos parciales en el pase directo y la suma de gradientes de logits en el pase inverso.

Resultados Clave
Los autores validaron el marco utilizando un patrón objetivo derivado del logotipo del Laboratorio Nacional de Brookhaven (BNL), que presenta franjas verticales con un tamaño de característica mínima de 400 nm.

Resolución y Precisión: Utilizando una máscara con un paso de píxel de 800 nm, el diseño optimizado logró resolver características de 400 nm en el plano de la imagen, demostrando una mejora de resolución de 2 $\times$ mediante difracción coherente. El patrón resultante alcanzó un coeficiente de correlación de Pearson de 0.95 con el objetivo. Al binarizarlo para simular el revelado del resiste, el patrón exhibió solo un 0.1% de defectos a nivel de píxel aislado.
Eficiencia de Memoria y Tiempo de Ejecución: Para una máscara de 3.84 mm $\times$ 3.84 mm (19,200 $\times$ 19,200 píxeles), el ASM Desplazado con 16 parches redujo la memoria de GPU pico en 3.8 $\times$ en comparación con el ASM estándar, con solo un aumento de 1.3 $\times$ en el tiempo de ejecución. Con el uso de gradient checkpointing habilitado, la memoria pico se redujo en 7.4 $\times$ con un costo de tiempo de ejecución de 2 $\times$ .
Capacidad de Gran Escala: El enfoque de ASM Desplazado permitió la optimización de máscaras de hasta 12.8 mm $\times$ 12.8 mm, un área 10.2 $\times$ mayor que el tamaño máximo alcanzable con el ASM estándar en el mismo hardware. La distribución de la optimización en 4 GPUs aceleró aún más el proceso, logrando una aceleración de 2.5 $\times$ respecto al ASM estándar.
Sensibilidad Espectral: Las simulaciones indicaron que, si bien la IL periódica es tolerante a fuentes de banda ancha, los patrones no periódicos arbitrarios requieren iluminación casi monocromática. El estudio estimó una tolerancia de ancho de banda de $\Delta\lambda/\lambda \lesssim 5.76 \times 10^{-4}$ para mantener la fidelidad del patrón, una restricción que cumplen los láseres y los haces de sincrotrón, pero no las fuentes de banda ancha.

Significancia y Reivindicaciones
El artículo establece un enfoque basado en aprendizaje automático e informado por la física para el diseño de máscaras de IL, yendo más allá de las estructuras periódicas hacia patrones no periódicos complejos. Los autores afirman que este marco de optimización diferenciable logra cerrar la brecha entre la simulación de propagación de onda directa y el diseño inverso. Al aprovechar el ASM Desplazado y la paralelización multi-GPU, el método supera los cuellos de botella de memoria que anteriormente limitaban el tamaño de las máscaras optimizables.

El trabajo destaca el potencial de la "degeneración" en los problemas inversos, sugiriendo que el alto grado de libertad en el diseño de la máscara puede explotarse para optimizar propiedades adicionales, como la robustez ante imperfecciones experimentales (por ejemplo, errores de distancia o no idealidades del haz) o la fabricabilidad (como la dispersión), aunque potencialmente a costa de la calidad de la imagen o la intensidad. Los autores concluyen que este marco es aplicable a cualquier problema inverso donde un modelo directo diferenciable esté disponible, proporcionando el código fuente para facilitar investigaciones posteriores.

Más como este