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

Riepilogo Tecnico di MorphOPC: Avanzamenti nell'Ottimizzazione delle Maschere con Apprendimento Morfologico Gerarchico Multi-scala

Enunciato del Problema
Man mano che le dimensioni delle caratteristiche dei semiconduttori si riducono alla scala nanometrica, il trasferimento accurato dei pattern dei circuiti dalle maschere fotolitografiche ai wafer di silicio diventa sempre più difficile a causa della diffrazione ottica e delle variazioni di processo. La Correzione di Prossimità Ottica (OPC) è la tecnica standard utilizzata per compensare queste distorsioni. Sebbene l'OPC basata su modelli tradizionali e le Tecniche di Litografia Inversa (ILT) offrano alta accuratezza, sono computazionalmente proibitive per applicazioni su intero chip a causa della necessità di ripetute simulazioni avanti-indietro e loop di ottimizzazione iterativi.

Recenti approcci di apprendimento automatico (ML), come GAN-OPC, DAMO e Neural-ILT, sono emersi come surrogati veloci per accelerare la generazione delle maschere. Tuttavia, questi modelli generativi si basano tipicamente sull'apprendimento statistico della mappatura layout-maschera. Spesso falliscono nel catturare il ragionamento geometrico esplicito richiesto per un'ottimizzazione accurata delle maschere. Ad esempio, configurazioni geometriche specifiche (ad esempio, pattern punta-a-punta che richiedono estensioni a testa di martello, o angoli a L che necessitano di correzioni a serif) richiedono una comprensione analitica del contesto geometrico locale piuttosto che una semplice corrispondenza statistica di pattern. I modelli ML esistenti producono spesso maschere subottimali perché mancano di un framework interpretabile per modellare queste trasformazioni dipendenti dalla forma.

Metodologia
Per affrontare i limiti dei modelli generativi puramente statistici, gli autori propongono MorphOPC, un approccio innovativo che formula la generazione della maschera come una sequenza di operazioni morfologiche apprese.

• Astrazione Morfologica: L'idea centrale è che le correzioni OPC possano essere viste come lo spostamento dei segmenti di bordo verso l'interno o verso l'esterno, il che corrisponde direttamente alle operazioni di morfologia matematica: erosione (riduzione delle caratteristiche) e diluatazione (espansione delle caratteristiche). Invece di progettare manualmente elementi strutturanti (SE), MorphOPC apprende SE adattivi non piatti e i coefficienti per queste operazioni direttamente dalle mappe di caratteristiche convoluzionali.
• Moduli Morfologici Neurali: L'architettura introduce un blocco MorphBasic che sostituisce l'aggregazione convoluzionale standard con operazioni algebriche max-plus e min-plus apprendibili. Questi blocchi utilizzano superfici strutturanti apprendibili per canale ($w_c$) e termini di bias ($\beta_c$) per eseguire dilatazione ed erosione. Un meccanismo di gating apprendibile bilancia dinamicamente il contributo di dilatazione ed erosione per ciascun canale.
• Apprendimento Gerarchico Multi-scala: Riconoscendo che la litografia richiede la modellazione sia di primitivi geometrici locali (bordi, angoli) che di interazioni di pattern non locali, gli autori introducono un modulo MultiScaleMorph. Questo modulo divide i canali di caratteristiche in gruppi ($s$) e li elabora attraverso un framework residuo gerarchico. Ogni gruppo impiega blocchi morfologici con dimensioni di kernel distinte (ad esempio, 3x3 e 5x5), permettendo alla rete di catturare caratteristiche con dimensioni di campo ricettivo variabili.
• Architettura: MorphOPC integra questi moduli in una struttura standard encoder-decoder. L'encoder estrae caratteristiche gerarchiche, che vengono raffinate dai moduli morfologici multi-scala. Il decoder ricostruisce la maschera ad alta risoluzione, fondendo le caratteristiche geometricamente raffinate tramite connessioni di salto (skip connections).
• Strategia di Addestramento: Il modello impiega un processo di addestramento in due fasi. In primo luogo, viene pre-addestrato per minimizzare l'Errore Quadratico Medio (MSE) tra la maschera prevista e la maschera ground-truth. Successivamente, viene affinato utilizzando un paradigma in stile GAN che incorpora un simulatore litografico. Il generatore è ottimizzato utilizzando una perdita composita che include l'errore di ricostruzione della maschera, l'errore di stampa (differenza tra wafer simulato e target) e un obiettivo avversario per migliorare il realismo.

Contributi Chiave

1. Formulazione della Generazione della Maschera come Morfologia: Il documento formula il problema OPC come una composizione di operazioni di dilatazione ed erosione apprese applicate ai pattern di layout locali, fornendo un framework interpretabile per le trasformazioni geometriche.
2. Architettura MorphOPC: Gli autori propongono un'architettura gerarchica multi-scala che integra moduli morfologici differenziabili in un framework encoder-decoder, permettendo alla rete di apprendere elementi strutturanti adattivi e combinazioni di operazioni dipendenti dal contesto.
3. Prestazioni e Generalizzazione: Estesi esperimenti dimostrano che MorphOPC raggiunge prestazioni all'avanguardia (SOTA) su molteplici benchmark (GAN-OPC, LithoBench, MaskOpt) ed esibisce una generalizzazione superiore a pattern di design complessi non visti rispetto ai metodi OPC basati sull'apprendimento esistenti.

Risultati Sperimentali
Gli autori hanno valutato MorphOPC contro baseline basate sull'apprendimento SOTA (GAN-OPC, DAMO, Neural-ILT, CFNO) e metodi basati sull'ottimizzazione (MultiILT, CurvyILT) su diversi dataset:

• Prestazioni sui Benchmark: Sui dataset GAN-OPC, LithoBench (MetalSet e ViaSet) e MaskOpt, MorphOPC ha costantemente raggiunto l'errore $\ell_2$ più basso (fedeltà di stampa) e un Errore di Posizionamento del Bordo (EPE) e una Banda di Variazione di Processo (PVB) competitivi. Ad esempio, sul task EBOPC di MaskOpt, MorphOPC ha ridotto l'errore $\ell_2$ del 18,7% rispetto a GAN-OPC e dell'8,5% rispetto a DAMO.
• Generalizzazione: Nei test sul benchmark ICCAD 2013 (layout non visti), MorphOPC ha dimostrato una robusta generalizzazione, raggiungendo l'errore $\ell_2$ più basso e il conteggio di scatti mantenendo una PVB competitiva, superando le baseline che spesso soffrivano di alti tassi di errore su pattern complessi.
• Studi di Ablazione: La rimozione dei moduli morfologici o della gerarchia multi-scala ha comportato un degrado significativo delle prestazioni, confermando la necessità sia del ragionamento geometrico che dell'estrazione di caratteristiche multi-scala.
• Efficienza: Pur mantenendo una qualità della maschera superiore, MorphOPC conserva il vantaggio di velocità dei metodi ML, operando nell'ordine di $10^{-2}$ a $10^{-1}$ secondi, significativamente più veloce degli OPC basati sull'ottimizzazione (che richiedono secondi). Inoltre, quando utilizzato per inizializzare OPC basati sull'ottimizzazione, MorphOPC ha fornito il punto di partenza più efficace, producendo la migliore qualità di stampa finale.

Significato
Il documento afferma che MorphOPC rappresenta un avanzamento significativo colmando il divario tra la velocità dell'apprendimento automatico e il rigore geometrico richiesto per un'ottimizzazione accurata delle maschere. Incorporando operazioni morfologiche differenziabili che si allineano con i comportamenti litografici fondamentali (espansione e contrazione), il modello garantisce che l'ottimizzazione della maschera non sia solo computazionalmente efficiente, ma anche spiegabile. I risultati suggeriscono che MorphOPC ha un forte potenziale come surrogato scalabile e ad alta fedeltà per i metodi OPC tradizionali nei flussi di design industriali su larga scala, bilanciando efficacemente la fedeltà di stampa con la producibilità (basso conteggio di scatti).