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

Cet article présente des réseaux de neurones informés par la physique et un nouvel opérateur neuronal hybride (WGNO) qui permettent de simuler avec une grande précision et une rapidité accrue la diffraction des ondes électromagnétiques EUV sur des masques de lithographie, offrant ainsi une solution efficace pour l'optimisation des procédés de fabrication de semi-conducteurs.

L'essentiel

🌟 Le Grand Défi : Imprimer des circuits sur du silicium

Imaginez que vous êtes un imprimeur, mais au lieu d'imprimer des journaux, vous imprimez des circuits électroniques minuscules sur des puces de silicium (les cerveaux de nos ordinateurs et téléphones). Pour faire des puces de plus en plus petites et puissantes, vous devez utiliser une lumière extrêmement fine, appelée lumière ultraviolette extrême (EUV).

C'est comme essayer de dessiner des détails d'une fourmi avec un pinceau géant. La lumière ne se comporte pas comme un crayon ; elle se diffracte (elle s'étale et interfère), un peu comme les vagues de l'eau qui contournent un rocher.

🧩 Le Problème : Le Masque et l'Ombre

Pour imprimer le dessin, on utilise un masque (un pochoir complexe). La lumière rebondit sur ce masque pour projeter l'image sur la puce.

• Le souci : À cause de la diffraction, l'image projetée sur la puce ne ressemble pas exactement au dessin du masque. C'est comme si vous regardiez votre reflet dans une cuillère : l'image est déformée.
• La solution actuelle : Les ingénieurs doivent modifier le masque (c'est ce qu'on appelle la "correction de proximité optique") pour que l'image finale soit parfaite. Pour faire cela, ils doivent simuler comment la lumière rebondit sur le masque.

Le hic ? Ces simulations sont incroyablement lourdes. C'est comme essayer de calculer la trajectoire de chaque goutte d'eau dans une tempête. Cela prend des heures, voire des jours, et nécessite des superordinateurs. C'est un goulot d'étranglement qui ralentit la création de nouveaux processeurs.

🤖 La Solution : L'Intelligence Artificielle "Physique"

Les auteurs de ce papier (de l'Université de Nizhny Novgorod) ont dit : "Et si on utilisait l'intelligence artificielle pour accélérer ça ?"

Ils ont développé deux types d'IA :

1. Les Réseaux de Neurones "Physiquement Informés" (PINN) :
   Imaginez un élève très studieux qui doit résoudre une équation de physique. Au lieu de lui donner des milliers d'exemples de solutions déjà faites (ce qui prendrait des années), on lui donne simplement les règles du jeu (les équations de Maxwell, les lois de la physique). L'IA doit apprendre à respecter ces règles.

   • Résultat : C'est bien, mais c'est encore un peu lent et parfois imprécis pour des cas très complexes.

2. Le "Waveguide Neural Operator" (WGNO) : La Star du show !
   C'est ici que ça devient génial. Les auteurs ont pris la méthode de calcul traditionnelle (très précise mais lente) et ils ont remplacé la partie la plus difficile et la plus lente par un cerveau artificiel.

   • L'analogie du Chef de Cuisine : Imaginez un chef qui prépare un plat complexe. La méthode traditionnelle, c'est de peser chaque grain de sel et de mesurer chaque seconde de cuisson à la main. Le WGNO, c'est comme avoir un assistant qui a déjà goûté des milliers de plats similaires. Il sait instantanément combien de sel il faut sans avoir à tout peser. Il a appris la "recette" de la physique, pas juste à mémoriser des plats.

🚀 Les Résultats : Vitesse et Précision

Les chercheurs ont testé leur nouvelle méthode sur des masques réels (en 2D et en 3D) pour les longueurs d'onde utilisées aujourd'hui (13,5 nm) et celles de demain (11,2 nm).

• Précision : Le nouveau système (WGNO) est aussi précis que les méthodes traditionnelles les plus lourdes. C'est comme si l'assistant du chef avait le même goût que le chef lui-même.
• Vitesse : C'est là que la magie opère. Là où la méthode traditionnelle prenait des heures, l'IA fait le travail en quelques millisecondes. C'est un gain de temps de plus de 200 fois !
• Généralisation : Le plus impressionnant, c'est que l'IA ne se contente pas de répéter ce qu'elle a appris. Si on lui donne un nouveau masque qu'elle n'a jamais vu, elle arrive à trouver la solution avec une excellente précision. C'est comme un musicien qui, après avoir appris une gamme, peut improviser sur une nouvelle mélodie sans avoir besoin de la réapprendre.

💡 En Résumé

Ce papier nous dit que grâce à une nouvelle intelligence artificielle intelligente (le WGNO), nous pouvons simuler la lumière sur les masques de puces électroniques beaucoup plus vite et aussi bien que les méthodes actuelles.

C'est une révolution pour l'industrie des semi-conducteurs : cela permet de concevoir des puces plus petites et plus puissantes beaucoup plus rapidement, accélérant ainsi l'innovation technologique pour tout le monde. C'est passer de la calculette à la super-calculatrice pour les ingénieurs du futur.

Résumé technique

Titre : Systèmes de réseaux neuronaux informés par la physique pour la simulation de la diffraction des ondes électromagnétiques EUV à partir d'un masque de lithographie

1. Problématique

La lithographie ultraviolette extrême (EUV) est une technologie critique pour la fabrication de semi-conducteurs avancés, permettant de graver des motifs de plus en plus petits sur des wafers de silicium. Cependant, en raison des phénomènes de diffraction et d'interférence, les motifs sur le masque ne correspondent pas exactement au motif projeté sur le wafer. Pour corriger cela, une technique d'ajustement de proximité optique (OPC) est utilisée, qui nécessite le calcul rigoureux des champs électromagnétiques autour du masque.

Les simulateurs électromagnétiques (EM) traditionnels, bien que précis, sont extrêmement coûteux en ressources de calcul, ce qui ralentit considérablement les cycles de conception et d'optimisation des masques. Les modèles d'approximation existants (comme la méthode de décomposition de domaine) sont plus rapides mais négligent la non-localité des interactions électromagnétiques. Les approches par apprentissage profond supervisé (CNN, GAN) nécessitent de vastes jeux de données étiquetés et souffrent souvent d'un manque de précision et de généralisation.

L'objectif de cet article est de développer des méthodes basées sur l'apprentissage automatique non supervisé (réseaux neuronaux informés par la physique et opérateurs neuronaux) pour résoudre efficacement le problème de diffraction des ondes EUV (13,5 nm et 11,2 nm) sur des masques 2D et 3D complexes, en garantissant une haute précision et une généralisation aux paramètres non vus lors de l'entraînement.

2. Méthodologie

Les auteurs comparent trois approches principales :

1. Méthode des Éléments Finis (FEM) : Utilisée comme référence numérique robuste (via FreeFem++), mais coûteuse en temps.
2. Méthode des Guides d'Ondes (WG) : Utilisée comme référence de haute fidélité ("ground truth"). Elle décompose le champ en modes de guides d'ondes dans chaque couche du masque. La partie la plus coûteuse de cette méthode est la résolution d'un grand système d'équations linéaires pour déterminer les amplitudes des modes.
3. Approches par Réseaux Neuronaux :
   • PINN (Physics-Informed Neural Networks) : Un réseau de neurones (MLP) approxime directement les composantes du champ magnétique ($H_x, H_y$). L'entraînement se fait en minimisant une fonction de perte composée des résidus des équations de Maxwell (PDE) et des conditions aux limites, sans données étiquetées.
   • WGNO (Waveguide Neural Operator) : Une architecture hybride novatrice. Au lieu d'apprendre le champ directement, le WGNO remplace la partie la plus coûteuse de la méthode des guides d'ondes (la résolution du système linéaire $\hat{M}A = R$) par un réseau de neurones. Le réseau apprend la carte entre les paramètres du masque (coefficients de Fourier de la permittivité) et le vecteur de solution $A$. Cela permet d'apprendre un opérateur qui généralise à toute une classe de problèmes, et non pas à une seule instance.

3. Contributions Clés

• Introduction du WGNO : Proposition d'un opérateur neuronal hybride qui intègre la structure physique de la méthode des guides d'ondes tout en accélérant le goulot d'étranglement computationnel via un réseau de neurones.
• Apprentissage non supervisé : Utilisation des équations physiques directes pour l'entraînement, éliminant le besoin de bases de données massives générées par des simulateurs lents.
• Validation multi-échelle : Évaluation rigoureuse sur des problèmes analytiques, des masques 2D réalistes (13,5 nm et 11,2 nm) et des masques 3D complexes.
• Analyse de généralisation : Démonstration que le WGNO conserve une haute précision même pour des paramètres de masque non présents dans l'ensemble de données d'entraînement.

4. Résultats

Les expériences numériques montrent des performances supérieures du WGNO par rapport aux autres méthodes :

• Précision :

  • Sur des problèmes de test 2D, le WGNO atteint une erreur relative $L_2$ de l'ordre de $10^{-8}$, surpassant largement les PINN (erreur $\sim 10^{-3}$ à $10^{-2}$) et rivalisant avec la méthode des guides d'ondes de référence.
  • Sur des masques 2D réalistes (13,5 nm et 11,2 nm), le WGNO maintient une erreur inférieure à $10^{-6}$, tandis que les PINN échouent avec des erreurs de plusieurs pourcents.
  • Sur des masques 3D, le WGNO reproduit fidèlement la solution de référence avec une erreur relative de l'ordre de $10^{-7}$.

• Temps de calcul :

  • Entraînement : Le WGNO est extrêmement rapide à entraîner (quelques secondes à moins de 20 secondes pour les cas 3D), comparé aux minutes ou heures nécessaires pour les PINN.
  • Inférence : Le temps de prédiction du WGNO est de l'ordre de $10^{-4}$ secondes, soit un gain de vitesse d'un facteur 200 par rapport au solveur de référence (WG) et un gain encore plus important par rapport à la FEM.

• Généralisation :

  • L'étude de la généralisation montre que le paramètre de généralisation $\mu$ du WGNO atteint rapidement des valeurs proches de 1 (0,999) lorsque la densité d'échantillonnage des paramètres augmente, indiquant que le modèle fonctionne parfaitement sur des configurations de masques jamais vues.

5. Signification et Impact

Ce travail démontre que les opérateurs neuronaux hybrides, spécifiquement le WGNO, constituent une solution de pointe pour la simulation de la lithographie EUV.

• Accélération des flux de travail : La réduction drastique du temps de calcul (de plusieurs heures à quelques millisecondes par inférence) permet d'accélérer considérablement les cycles de conception et d'optimisation des masques (OPC), essentiels pour le respect de la loi de Moore.
• Robustesse et Précision : Contrairement aux méthodes purement basées sur les données, le WGNO conserve la rigueur physique nécessaire pour des applications industrielles critiques, tout en offrant une capacité de généralisation supérieure.
• Extensibilité : Les auteurs suggèrent que cette approche peut être étendue à d'autres structures électromagnétiques complexes, telles que les métamatériaux et les matériaux composites, ouvrant la voie à une nouvelle ère de simulation physique assistée par l'IA.

En conclusion, le WGNO représente une avancée majeure en physique computationnelle appliquée à la microélectronique, combinant la précision des méthodes numériques rigoureuses avec l'efficacité de l'apprentissage profond.