💻 computer science

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

यह शोध पत्र MorphOPC को प्रस्तुत करता है, जो एक मल्टी-स्केल पदानुक्रमित (hierarchical) डीप लर्निंग मॉडल है जो मौजूदा एनकोडर-डिकोडर दृष्टिकोणों की ज्यामितीय रूपांतरण सीमाओं को दूर करने के लिए मास्क जनरेशन को न्यूरल मॉर्फोलॉजिकल ऑपरेशंस के एक अनुक्रम के रूप में तैयार करता है, जिससे ऑप्टिकल प्रॉक्सिमिटी करेक्शन में बेहतर प्रिंटिंग फिडेलिटी और कम निर्माण लागत प्राप्त होती है।

मूल लेखक: Yuting Hu, Lei Zhuang, Chen Wang, Ruiyang Qin, Hua Xiang, Gi-joon Nam, Jinjun Xiong

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuting Hu, Lei Zhuang, Chen Wang, Ruiyang Qin, Hua Xiang, Gi-joon Nam, Jinjun Xiong

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "MorphOPC: मल्टी-स्केल हिरार्किकल मॉर्फोलॉजिकल लर्निंग के साथ मास्क ऑप्टिमाइज़ेशन को आगे बढ़ाना" शोध पत्र का सरल भाषा और रोजमर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

बड़ी समस्या: "फोटोकॉपीयर" की खराबी (The "Photocopier" Glitch)

कल्पना कीजिए कि आप एक बहुत ही जटिल और बारीक ड्राइंग को कागज पर फोटोकॉपी करने की कोशिश कर रहे हैं। लेकिन, आपके फोटोकॉपीयर में एक खराबी है: जब यह तीखे कोनों या पतली रेखाओं को प्रिंट करने की कोशिश करता है, तो स्याही फैल जाती है, कोने गोल हो जाते हैं, और रेखाएं जितनी होनी चाहिए उससे छोटी हो जाती हैं।

कंप्यूटर चिप्स की दुनिया में, बिल्कुल यही होता है। इंजीनियर एक सर्किट (लक्ष्य/टारगेट) डिजाइन करते हैं, लेकिन जब वे प्रकाश (लिथोग्राफी) का उपयोग करके इसे सिलिकॉन वेफर पर प्रिंट करने की कोशिश करते हैं, तो प्रकाश के भौतिक विज्ञान के कारण इमेज विकृत हो जाती है। कोने गोल हो जाते हैं, और छोटे गैप या तो बंद हो जाते हैं या खुल जाते हैं।

इसे ठीक करने के लिए, इंजीनियर OPC (ऑप्टिकल प्रॉक्सिमिटी करेक्शन) नामक प्रक्रिया का उपयोग करते हैं। उन्हें प्रिंट करने से पहले "मास्टर टेम्पलेट" (फोटोमास्क) में मैन्युअल रूप से बदलाव करना पड़ता है। यदि अंतिम प्रिंट को एक तीखे कोने की आवश्यकता है, तो इंजीनियर को मास्क पर एक अजीब, विस्तारित आकार बनाना होगा ताकि जब प्रकाश उस पर पड़े, तो वह एक परफेक्ट स्क्वायर के रूप में प्रिंट हो सके।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (पारंपरिक OPC): यह एक-एक पिक्सेल करके फोटोकॉपी को हाथ से ठीक करने जैसा है। आप प्रिंट का सिमुलेशन करते हैं, देखते हैं कि कहाँ गलती हुई, एक पिक्सेल बदलते हैं, फिर से सिमुलेशन करते हैं, और इसे दोहराते हैं। यह अविश्वसनीय रूप से सटीक है लेकिन इसमें बहुत अधिक समय और कंप्यूटर पावर लगती है।
"AI" वाला तरीका (पिछले तरीके): हाल ही में, वैज्ञानिकों ने AI (जैसे जेनरेटिव एडवरसैरियल नेटवर्क) का उपयोग करके तुरंत सही मास्क का अनुमान लगाने की कोशिश की। इसे एक ऐसे कलाकार के रूप में सोचें जिसने लाखों चित्र देखे हैं और पैटर्न के आधार पर अनुमान लगाता है कि मास्क कैसा दिखना चाहिए।
- समस्या: ये AI कलाकार सामान्य आकार या "वाइब" (vibe) को पहचानने में अच्छे होते हैं, लेकिन वे वास्तव में ज्यामिति (geometry) को नहीं समझते हैं। वे ऐसा कोना बना सकते हैं जो सांख्यिकीय रूप से सही दिखता हो, लेकिन वह भौतिकी के परीक्षण में विफल हो जाता है क्योंकि वे यह नहीं समझते कि एक कोने को विस्तारित करने की आवश्यकता क्यों है।

समाधान: MorphOPC

इस शोध पत्र के लेखकों ने MorphOPC नामक एक नया AI मॉडल बनाया है। केवल आकार का अनुमान लगाने के बजाय, उन्होंने AI को उन विशिष्ट "ज्यामितीय नियमों" के बारे में सिखाया जिनका उपयोग इन प्रिंटिंग त्रुटियों को ठीक करने के लिए किया जाता है।

मुख्य विचार: "मूर्तिकला" का उदाहरण (The "Sculpting" Analogy)

शोध पत्र गणित की एक अवधारणा का उपयोग करता है जिसे मैथमेटिकल मॉर्फोलॉजी (Mathematical Morphology) कहा जाता है। कल्पना कीजिए कि आपके पास मिट्टी का एक ढेला (टारगेट डिजाइन) है।

डाइलेशन (Dilation): आप मिट्टी को बाहर की ओर धकेलते हैं, जिससे आकार बड़ा हो जाता है और दरारें भर जाती हैं।
इरोशन (Erosion): आप मिट्टी को अंदर की ओर खुरचते हैं, जिससे आकार छोटा हो जाता है और उभार चिकने हो जाते हैं।

चिप निर्माण में, एक विकृत रेखा को ठीक करने का अर्थ अक्सर किनारों को बहुत विशिष्ट तरीकों से बाहर धकेलना (डाइलेशन) या अंदर खींचना (इरोशन) होता है।

MorphOPC मास्क जनरेशन प्रक्रिया को एक मूर्तिकार द्वारा इन दो उपकरणों का उपयोग करने की तरह मानता है। केवल "मास्क कैसा दिखता है" यह सीखने के बजाय, AI यह सीखता है कि डिजाइन के किनारों को कैसे धकेला और खींचा जाए।

यह कैसे काम करता है ("मल्टी-स्केल" का जादू)

शोध पत्र मल्टी-स्केल हिरार्किकल लर्निंग (Multi-scale Hierarchical Learning) नामक एक चतुर आर्किटेक्चर पेश करता है।

उदाहरण: कल्पना कीजिए कि आप एक फोटो एडिट कर रहे हैं।
- छोटा स्केल (Small Scale): आप नाक पर एक छोटे से खरोंच को ठीक करने के लिए ज़ूम इन करते हैं (स्थानीय विवरण)।
- बड़ा स्केल (Large Scale): आप पूरे चेहरे की लाइटिंग को ठीक करने के लिए ज़ूम आउट करते हैं (ग्लोबल कॉन्टेक्स्ट)।
मॉडल: MorphOPC ये दोनों काम एक साथ करता है। इसमें अलग-अलग "लेयर्स" हैं जो अलग-अलग "लेंस" के माध्यम से डिजाइन को देखती हैं। कुछ लेयर्स एक सिंगल कोने को ठीक करने के लिए 3x3 पिक्सेल के छोटे क्षेत्रों को देखती हैं, जबकि अन्य पूरे लाइन को ठीक करने के लिए 5x5 क्षेत्रों को देखती हैं। ये इन दृश्यों को मिलाकर एक परफेक्ट मास्क तैयार करती हैं।

उन्होंने क्या पाया (परिणाम)

शोधकर्ताओं ने मानक उद्योग बेंचमार्क (जैसे ICCAD 2013 प्रतियोगिता) का उपयोग करके MorphOPC का परीक्षण मौजूदा सर्वश्रेष्ठ AI मॉडल और पारंपरिक तरीकों के विरुद्ध किया।

बेहतर सटीकता: MorphOPC ने ऐसे मास्क बनाए जो अन्य AI मॉडलों की तुलना में मूल डिजाइन के बहुत करीब प्रिंट हुए। इसमें "त्रुटियां" कम थीं (कम $\ell_2$ एरर)।
बेहतर ज्यामिति: क्योंकि यह "धकेलने और खींचने" के नियमों को समझता है, इसने जटिल आकारों (जैसे L-आकार के कोने) को उन मॉडलों की तुलना में बहुत बेहतर तरीके से संभाला जो केवल अनुमान लगाते थे।
पुराने तरीके से तेज़: हालांकि यह "अनुमान लगाने" वाले AI मॉडलों जितना तेज़ नहीं है, लेकिन यह पारंपरिक, हाथ से सुधार करने वाले तरीकों की तुलना में काफी तेज़ है।
जनरलाइजेशन (Generalization): जब उन्होंने इसे उन डिजाइनों पर टेस्ट किया जिन्हें इसने पहले कभी नहीं देखा था, तब भी इसने प्रतिस्पर्धा में बेहतर प्रदर्शन किया। इसने केवल ट्रेनिंग डेटा को रटा नहीं; इसने आकारों को ठीक करने के तर्क (logic) को सीखा।

सारांश

MorphOPC को एक नए प्रकार के AI के रूप में देखें जो केवल समाधान को "पेंट" नहीं करता बल्कि उसे "तराशता (sculpts)" है। AI को आकारों को फैलाने और सिकोड़ने के मौलिक नियमों (मॉर्फोलॉजी) को सिखाकर, यह मॉडल प्रकाश के कारण होने वाले विरूपणों को इस तरह ठीक कर सकता है जो अत्यधिक सटीक और गणनात्मक रूप से कुशल है। यह AI की गति और दुनिया की सबसे छोटी कंप्यूटर चिप्स बनाने के लिए आवश्यक ज्यामितीय सटीकता के बीच के अंतर को पाटता है।

MorphOPC का तकनीकी सारांश: मल्टी-स्केल पदानुक्रमित रूपात्मक शिक्षण (Multi-scale Hierarchical Morphological Learning) के साथ मास्क अनुकूलन को उन्नत बनाना

समस्या विवरण
जैसे-जैसे सेमीकंडक्टर फीचर आकार नैनोमीटर स्केल तक सिकुड़ रहे हैं, ऑप्टिकल विवर्तन (optical diffraction) और प्रक्रिया विविधताओं के कारण फोट मास्क से सिलिकॉन वेफर्स पर सर्किट पैटर्न को सटीक रूप से स्थानांतरित करना कठिन होता जा रहा है। ऑप्टिकल प्रॉक्सिमिटी करेक्शन (OPC) इन विकृतियों की भरपाई करने के लिए उपयोग की जाने वाली मानक तकनीक है। जबकि पारंपरिक मॉडल-आधारित OPC और इनवर्स लिथोग्राफी तकनीकें (ILT) उच्च सटीकता प्रदान करती हैं, वे बार-बार होने वाले फॉरवर्ड-बैकवर्ड सिमुलेशन और पुनरावृत्ति अनुकूलन लूपों की आवश्यकता के कारण फुल-चिप अनुप्रयोगों के लिए कम्प्यूटेशनल रूप से अत्यधिक महंगी (prohibitive) हैं।

हाल के मशीन लर्निंग (ML) दृष्टिकोण, जैसे कि GAN-OPC, DAMO, और Neural-ILT, मास्क जनरेशन को गति देने के लिए तेज़ सरोगेट के रूप में उभरे हैं। हालाँकि, ये जनरेटिव मॉडल आमतौर पर लेआउट-टू-मास्क मैपिंग के सांख्यिकीय शिक्षण (statistical learning) पर निर्भर करते हैं। वे अक्सर उस स्पष्ट ज्यामितिक तर्क (geometric reasoning) को पकड़ने में विफल रहते हैं जो सटीक मास्क अनुकूलन के लिए आवश्यक है। उदाहरण के लिए, विशिष्ट ज्यामितिक कॉन्फ़िगरेशन (जैसे, हैमरहेड एक्सटेंशन के लिए टिप-टू-टिप पैटर्न, या सेरिफ़ सुधार के लिए L-आकार के कोने) के लिए केवल सांख्यिकीय पैटर्न मिलान के बजाय स्थानीय ज्यामितिक संदर्भ की विश्लेषणात्मक समझ की आवश्यकता होती है। मौजूदा ML मॉडल अक्सर उप-इष्टतम (suboptimal) मास्क उत्पन्न करते हैं क्योंकि उनमें आकार-निर्भर रूपांतरणों को मॉडल करने के लिए एक व्याख्या योग्य ढांचा (interpretable framework) की कमी होती है।

कार्यप्रणाली (Methodology)
शुद्ध सांख्यिकीय जनरेटिव मॉडलों की सीमाओं को दूर करने के लिए, लेखक MorphOPC का प्रस्ताव करते हैं, जो मास्क जनरेशन को सीखे गए रूपात्मक संचालन (morphological operations) के एक अनुक्रम के रूप में तैयार करता है।

रूपात्मक अमूर्तता (Morphological Abstraction): मुख्य अंतर्दृष्टि यह है कि OPC सुधारों को एज सेगमेंट को अंदर या बाहर विस्थापित करने के रूप में देखा जा सकता है, जो सीधे गणितीय रूपात्मक संचालन: इरोशन (एरोशन - फीचर्स को सिकोड़ना) और डिलेशन (डिलेशन - फीचर्स को फैलाना) के अनुरूप है। स्ट्रक्चरिंग एलिमेंट्स (SEs) को मैन्युअल रूप से डिजाइन करने के बजाय, MorphOPC कन्वेल्शनल फीचर मैप्स से सीधे अनुकूलित (adaptive), नॉन-फ्लैट SEs और इन ऑपरेशन्स के गुणांकों (coefficients) को सीखता है।
न्यूरल रूपात्मक मॉड्यूल (Neural Morphological Modules): आर्किटेक्चर एक MorphBasic ब्लॉक पेश करता है जो मानक कन्वेल्शनल एग्रीगेशन को सीखे गए मैक्स-प्लस (max-plus) और मिन-प्लस (min-plus) बीजगणितीय ऑपरेशन्स से बदल देता है। ये ब्लॉक्स डायलेशन और इरोशन करने के लिए प्रति-चैनल सीखे गए स्ट्रक्चरिंग सरफेस ( $w_c$ ) और बायस टर्म्स ( $\beta_c$ ) का उपयोग करते हैं। एक सीखा गया गेटिंग मैकेनिज्म प्रत्येक चैनल के लिए डायलेशन और इरोशन के योगदान को गतिशील रूप से संतुलित करता है।
मल्टी-स्केल पदानुक्रमित शिक्षण (Multi-scale Hierarchical Learning): यह पहचानते हुए कि लिथोग्राफी के लिए स्थानीय ज्यामितिक प्रिमिटिव्स (किनारे, कोने) और गैर-स्थानीय पैटर्न इंटरैक्शन दोनों के मॉडलिंग की आवश्यकता होती है, लेखक एक MultiScaleMorph मॉड्यूल पेश करते हैं। यह मॉड्यूल फीचर चैनलों को समूहों ( $s$ ) में विभाजित करता है और उन्हें एक पदानुक्रमित रेसिडुअल फ्रेमवर्क के माध्यम से संसाधित करता है। प्रत्येक समूह अलग-अलग कर्नेल साइज (जैसे, 3x3 और 5x5) के साथ रूपात्मक ब्लॉकों का उपयोग करता है, जिससे नेटवर्क विभिन्न रिसेप्टिव फील्ड साइज के साथ फीचर्स को कैप्चर कर सकता है।
आर्किटेक्चर: MorphOPC इन मॉड्यूल्स को एक मानक एनकोडर-डिकोडर संरचना में एकीकृत करता है। एनकोडर पदानुक्रमित फीचर्स निकालता है, जिन्हें मल्टी-स्केल रूपात्मक मॉड्यूल्स द्वारा परिष्कृत किया जाता है। डिकोडर हाई-रिज़ॉल्यूशन मास्क को पुनर्गठित करता है, जो स्किप कनेक्शन के माध्यम से ज्यामितिक रूप से परिष्कृत फीचर्स को फ्यूज करता है।
प्रशिक्षण रणनीति (Training Strategy): मॉडल दो-चरणीय प्रशिक्षण प्रक्रिया का उपयोग करता है। पहले, यह अनुमानित मास्क और ग्राउंड-ट्रूथ मास्क के बीच मीन स्क्वेर्ड एरर (MSE) को कम करने के लिए प्री-ट्रेन किया जाता है। इसके बाद, इसे एक GAN-शैली के प्रतिमान (paradigm) का उपयोग करके फाइन-ट्यून किया जाता है जिसमें एक लिथोग्राफी सिम्युलेटर शामिल होता है। जनरेटर को एक कंपोजिट लॉस का उपयोग करके अनुकूलित किया जाता है जिसमें मास्क रिकंस्ट्रक्शन एरर, प्रिंटिंग एरर (सिम्युलेटेड वेफर और टारगेट के बीच अंतर), और यथार्थवाद बढ़ाने के लिए एक एडवरसेरियल ऑब्जेक्टिव शामिल है।

प्रमुख योगदान

मास्क जनरेशन को मॉर्फोलॉजी के रूप में स्वरूपित करना: यह पेपर OPC समस्या को स्थानीय लेआउट पैटर्न पर लागू किए गए सीखे गए डायलेशन और इरोशन ऑपरेशन्स के संयोजन के रूप में स्वरूपित करता है, जो ज्यामितिक रूपांतरणों के लिए एक व्याख्या योग्य ढांचा प्रदान करता है।
MorphOPC आर्किटेक्चर: लेखक एक मल्टी-स्केल पदानुक्रमित आर्किटेक्चर का प्रस्ताव करते हैं जो एनकोडर-डिकोडर फ्रेमवर्क में डिफरिएबल रूपात्मक मॉड्यूल्स को एकीकृत करता है, जिससे नेटवर्क को एडेप्टिव स्ट्रक्चरिंग एलिमेंट्स और संदर्भ-निर्भर ऑपरेशन संयोजनों को सीखने में सक्षम बनाता है।
प्रदर्शन और सामान्यीकरण (Generalization): व्यापक प्रयोगों से पता चलता है कि MorphOPC कई बेंचमार्क (GAN-OPC, LithoBench, MaskOpt) पर स्टेट-ऑफ-द-आर्ट (SOTA) प्रदर्शन प्राप्त करता है और मौजूदा लर्निंग-बेस्ड OPC विधियों की तुलना में अनदेखे, जटिल डिज़ाइन पैटर्न के प्रति बेहतर सामान्यीकरण प्रदर्शित करता है।

प्रायोगिक परिणाम
लेखकों ने कई डेटासेट्स पर SOTA लर्निंग-बेस्ड बेसलाइन्स (GAN-OPC, DAMO, Neural-ILT, CFNO) और ऑप्टिमाइजेशन-बेस्ड मेथड्स (MultiILT, CurvyILT) के विरुद्ध MorphOPC का मूल्यांकन किया:

बेंचमार्क प्रदर्शन: GAN-OPC, LithoBench (MetalSet और ViaSet), और MaskOpt डेटासेट्स पर, MorphOPC लगातार सबसे कम $\ell_2$ एरर (प्रिंटिंग फिडेलिटी) और प्रतिस्पर्धी एज प्लेसमेंट एरर (EPE) और प्रोसेस वेरिएशन बैंड (PVB) प्राप्त करता है। उदाहरण के लिए, MaskOpt EBOPC टास्क पर, MorphOPC ने GAN-OPC की तुलना में 18.7% और DAMO की तुलना में 8.5% कम $\ell_2$ एरर दर्ज किया।
सामान्यीकरण: ICCAD 2013 बेंचमार्क (अनसीन लेआउट्स) पर परीक्षणों में, MorphOPIC ने मजबूत सामान्यीकरण दिखाया, जिसने प्रतिस्पर्धी PVB बनाए रखते हुए सबसे कम $\ell_2$ एरर और शॉट काउंट हासिल किया, और उन बेसलाइन्स को पीछे छोड़ दिया जो जटिल पैटर्न पर उच्च त्रुटि दर से ग्रस्त थे।
एब्लेशन स्टडीज (Ablation Studies): रूपात्मक मॉड्यूल्स या मल्टी-स्केल पदानुक्रम को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई, जो ज्यामितिक तर्क और मल्टी-स्केल फीचर एक्सट्रैक्शन दोनों की आवश्यकता की पुष्टि करता है।
दक्षता (Efficiency): बेहतर मास्क गुणवत्ता बनाए रखते हुए, MorphOPC ML विधियों का स्पीड एडवांटेज बरकरार रखता है, जो $10^{-2}$ से $10^{-1}$ सेकंड के क्रम में संचालित होता है, जो ऑप्टिमाइजेशन-बेस्ड OPCs (जो सेकंड लेते हैं) की तुलना में काफी तेज़ है। इसके अलावा, जब इसे ऑप्टिमाइजेशन-बेस्ड OPCs को इनिशियलाइज़ करने के लिए उपयोग किया गया, तो MorphOPC ने सबसे प्रभावी शुरुआती बिंदु प्रदान किया, जिससे सर्वोत्तम अंतिम प्रिंटिंग क्वालिटी प्राप्त हुई।

महत्व
यह पेपर दावा करता है कि MorphOPC मशीन लर्निंग की गति और सटीक मास्क अनुकूलन के लिए आवश्यक ज्यामितिक कठोरता के बीच के अंतर को पाटकर एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। मौलिक लिथोग्राफिक व्यवहारों (विस्तार और संकुचन) के साथ संरेखित डिफरिएबल रूपात्मक ऑपरेशन्स को एम्बेड करके, मॉडल यह सुनिश्चित करता है कि मास्क अनुकूलन न केवल कम्प्यूटेशनल रूप से कुशल है, बल्कि व्याख्या योग्य भी है। परिणाम बताते हैं कि MorphOPC में बड़े पैमाने के औद्योगिक डिज़ाइन फ्लो में पारंपरिक OPC विधियों के लिए एक स्केलेबल, हाई-फिडेलिटी सरोगेट के रूप में मजबूत क्षमता है, जो प्रिंटिंग फिडेलिटी और मैन्युफैक्चरेबिलिटी (लो शॉट काउंट) के बीच प्रभावी ढंग से संतुलन बनाता है।