🔬 optics

Inverse mask design for interference lithography using automatic differentiable wave propagation

Questo articolo presenta un framework di ottimizzazione basato sul gradiente che utilizza la differenziazione automatica e il metodo dello spettro angolare differenziabile per progettare maschere per litografia a interferenza binaria che generano con successo nanostrutture complesse e non periodiche con un numero minimo di difetti, impiegando al contempo tecniche efficienti dal punto di vista della memoria come l'ASM traslato e il gradient checkpointing per scalare su grandi dimensioni di maschera.

Autori originali: 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

Pubblicato 2026-08-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: 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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di stampare un'immagine usando solo una torcia e un pezzo di cartone. Nel mondo della creazione di cose minuscole — come i circuiti all'interno del tuo telefono o i motivi su un microchip — gli scienziati usano una tecnica chiamata Litografia a Interferenza. Pensa a questo come se, invece di far passare la luce attraverso uno stencil per ottenere un'ombra, facessi scontrare due o più raggi laser. Dove le onde di luce si incontrano nel modo giusto, creano strisce luminose e scure, come increspature in uno stagno che collidono. Questo è fantastico per creare modelli ripetitivi perfetti (come una griglia di punti) perché la matematica è semplice e prevedibile.

Ma cosa succede se vuoi stampare qualcosa di disordinato e unico, come un logo o un disegno complesso, invece di una semplice griglia ripetitiva? È qui che le cose si fanno complicate. Le onde luminose non seguono più una regola semplice; si intrecciano. Per ottenere l'immagine corretta sulla "pellicola" (uno strato speciale sensibile alla luce), devi progettare una maschera molto specifica e dall'aspetto bizzarro (il cartone con i buchi) che torca la luce esattamente come desideri. Il problema è che capire quale debba essere l'aspetto di questa maschera è come cercare di indovinare la forma di una roccia guardando solo la sua ombra. È un puzzle senza una soluzione ovvia e, per molto tempo, realizzare queste maschere personalizzate per forme complesse è stato incredibilmente difficile.

È qui che un team di ricercatori del Brookhaven National Laboratory interviene con un nuovo trucco astuto. Non si sono limitati a indovinare; hanno costruito un programma per computer super intelligente che impara a progettare queste maschere attraverso tentativi ed errori, ma con un superpotere: la differenziazione automatica.

Ecco come funziona la loro "magia". Immagina di cercare di scolpire una statua di argilla, ma puoi vedere solo l'ombra che proietta su una parete. Vuoi che l'ombra assomigli esattamente a l'immagine di un gatto. In passato, avresti potuto indovinare, guardare l'ombra e indovinare ancora, sperando di avvicinarti. Questo nuovo metodo è come avere un robot che può dirti istantaneamente esattamente quale minuscolo granello di argilla spostare per far sì che l'ombra appaia migliore. Il computer simula il passaggio della luce attraverso una maschera digitale, vede come il "controluce" (il pattern) risultante si confronta con l'immagine target, e poi usa la matematica per capire esattamente come modificare la maschera per correggere gli errori. Lo fa migliaia di volte di seguito, avvicinandosi sempre di più alla perfezione.

I ricercatori hanno utilizzato una tecnica chiamata Metodo dello Spettro Angolare per simulare il viaggio della luce. Pensa a questo come a un motore di un videogioco super accurato che predice esattamente come le onde luminose danzeranno e interferiranno tra loro. Rendendo questo motore "differenziabile", hanno permesso al computer di lavorare a ritroso, dall'errore alla causa. Sono partiti da una maschera digitale casuale e disordinata e hanno lasciato che il computer applicasse la "backpropagation" degli errori, regolando i pixel della maschera finché il pattern di luce simulato non corrispondeva quasi perfettamente al loro design target.

I risultati sono stati impressionanti. Hanno progettato una maschera capace di stampare un pattern complesso (basato sul logo del Brookhaven National Laboratory) con dettagli incredibilmente nitidi. Il pattern finale aveva solo lo 0,1% dei suoi pixel errati — praticamente, solo pochi minuscoli granelli di polvere in un'immagine altrimenti perfetta. Ancora più incredibile, la maschera che hanno progettato aveva pixel larghi 800 nanometri, eppure poteva stampare strutture grandi quanto 400 nanometri. È come usare un pennello grosso per dipingere una linea che è metà della larghezza delle setole del pennello stesso, tutto grazie al modo in cui le onde luminose interferiscono tra loro.

Tuttavia, c'era un ostacolo. Simulare questa danza di luce per una maschera grande richiede una quantità enorme di memoria del computer, come cercare di contenere un oceano gigante in una singola tazza. Per risolvere questo, il team ha inventato una versione "spostata" della loro simulazione. Immagina di dover dipingere un enorme murale. Invece di cercare di tenere l'intera tela nella tua mente in una volta sola, la dividi in piccoli quadrati, dipingi ogni quadrato separatamente e poi li unisci con del nastro adesivo. Questo approccio "a toppe" ha permesso loro di simulare maschere 10,2 volte più grandi di quanto i loro computer potessero normalmente gestire. Hanno persino testato l'esecuzione su quattro schede grafiche contemporaneamente, il che ha reso il processo 2,5 volte più veloce.

Un dettaglio importante che hanno scoperto è che questa magia funziona solo se la luce è molto pura. Se usi una torcia con un mix di colori (come la luce bianca), il pattern diventa sfocato e sbiadito. Hanno scoperto che la luce deve essere quasi di un unico colore (monocromatica), come un laser, per mantenere i bordi nitidi. Se il colore della luce varia troppo, il delicato schema di interferenza cade a pezzi.

In definitiva, questo articolo non mostra solo un nuovo modo per progettare maschere; apre la porta alla stampa di qualsiasi forma tu possa immaginare utilizzando la litografia a interferenza. Combinando la fisica con il machine learning, hanno trasformato un problema matematico quasi impossibile in un puzzle risolvibile. Sebbene abbiano dimostrato che questo funziona nelle simulazioni, la strada è ora spianata per costruire maschere reali per la creazione di nanostrutture complesse e non ripetitive, potenzialmente rivoluzionando il modo in cui fabriquiamo piccoli e intricati dispositivi in futuro.

Sintesi Tecnica: Progettazione di Maschere Inverse per la Litografia a Interferenza tramite Propagazione d'Onda Automaticamente Differenziabile

Definizione del Problema
La litografia a interferenza (IL) è una tecnica standard per la fabbricazione di nanostrutture periodiche ad alta risoluzione e per la qualificazione di fotoresist, particolarmente alle lunghezze d'onda dell'estremo ultravioletto (EUV). Tuttavia, progettare maschere per generare pattern arbitrari e non periodici rimane una sfida significativa. Sebbene la propagazione in avanti dal mascherino all'immagine aerea possa essere calcolata analiticamente, il problema inverso — determinare la maschera necessaria per produrre un determinato pattern d'aria aereo specifico — è mal posto a causa della mancanza di informazioni di fase nei pattern aerei basati sull'intensità. I metodi esistenti spesso faticano a scalare verso dimensioni di maschera elevate o a risolvere caratteristiche più piccole del passo dei pixel della maschera senza costi computazionali proibitivi.

Metodologia
Gli autori propongono un framework di ottimizzazione basato sul gradiente che utilizza la differenziazione automatica per risolvere il problema della progettazione inversa della maschera. Il nucleo dell'approccio è un modello in avanti differenziabile basato sul Metodo dello Spettro Angolare (ASM), una tecnica standard per simulare la diffrazione in campo vicino e intermedio.

Modello in Avanti (Forward Model): L'ASM calcola il campo propagato nel piano dell'immagine eseguendo una trasformata di Fourier del campo della maschera, moltiplicando per una funzione di trasferimento (che include la propagazione nello spazio libero e il band-limiting per sopprimere le componenti evanescenti e di aliasing) e applicando una trasformata di Fourier inversa. Questo processo è completamente differenziabile, permettendo la retropropagazione dei gradienti.
Formulazione dell'Ottimizzazione: La progettazione della maschera è trattata come un problema di ottimizzazione su "logit" continui ( $\ell$ ). Questi logit vengono convertiti in una maschera binaria "soft" tramite una funzione sigmoide con un parametro di temperatura ( $\tau$ ), che viene ricalibrato (annealing) durante l'addestramento per avvicinarsi a una maschera binaria "hard". La funzione di perdita ( $\mathcal{L}$ ) combina un termine di correlazione di Pearson tra l'ampiezza del campo simulato e il pattern target con termini di regolarizzazione: la Variazione Totale ( $L_{TV}$ ) per penalizzare le variazioni spaziali ad alta frequenza e la Sparsità ( $L_{sp}$ ) per promuovere maschere sparse e producibili.
Scalabilità (Shifted ASM): Per affrontare la scalabilità della memoria $O(N^2)$ del normale ASM per maschere grandi, gli autori impiegano lo Shifted ASM. Questo metodo partiziona la maschera in patch più piccoli (ad esempio, $4 \times 4$ ), propaga ciascuno indipendentemente utilizzando funzioni di trasferimento che tengono conto degli offset laterali, e somma i campi complessi risultanti nel piano di osservazione. Ciò riduce i requisiti di memoria di picco scalando con la dimensione del patch, $O((N/P)^2)$ .
Parallelizzazione: Il framework supporta la distribuzione multi-GPU, dove i patch vengono assegnati a diverse GPU. La comunicazione è limitata a due operazioni di all-reduce: la somma dei campi parziali nella fase in avanti e la somma dei gradienti dei logit nella fase all'indietro.

Risultati Chiave
Gli autori hanno validato il framework utilizzando un pattern target derivato dal logo del Brookhaven National Laboratory (BNL), caratterizzato da strisce verticali con una dimensione minima delle caratteristiche di 400 nm.

Risoluzione e Accuratezza: Utilizzando una maschera con un passo dei pixel di 800 nm, il design ottimizzato è riuscito a risolvere caratteristiche di 400 nm nel piano dell'immagine, dimostrando un miglioramento della risoluzione di 2 $\times$ attraverso la diffrazione coerente. Il pattern risultante ha raggiunto un coefficiente di correlazione di Pearson di 0,95 con il target. Quando binarizzato per simulare lo sviluppo del resist, il pattern ha esibito solo lo 0,1% di difetti isolati a livello di pixel.
Efficienza di Memoria e Tempo di Esecuzione: Per una maschera di 3,84 mm $\times$ 3,84 mm (19.200 $\times$ 19.200 pixel), lo Shifted ASM con 16 patch ha ridotto la memoria GPU di picco di 3,8 $\times$ rispetto al normale ASM, con un aumento del tempo di esecuzione di soli 1,3 $\times$ . Con l'attivazione del gradient checkpointing, la memoria di picco è stata ridotta di 7,4 $\times$ a fronte di un costo di tempo di esecuzione di 2 $\times$ .
Capacità su Larga Scala: L'approccio Shifted ASM ha permesso l'ottimizzazione di maschere fino a 12,8 mm $\times$ 12,8 mm, un'area 10,2 $\times$ più grande della dimensione massima ottenibile con il normale ASM sullo stesso hardware. La distribuzione dell'ottimizzazione su 4 GPU ha ulteriormente accelerato il processo, ottenendo un'accelerazione di 2,5 $\times$ rispetto al normale ASM.
Sensibilità Spettrale: Le simulazioni hanno indicato che, mentre la IL periodica è tollerante a sorgenti a banda larga, i pattern arbitrari non periodici richiedono un'illuminazione quasi monocromatica. Lo studio ha stimato una tolleranza di larghezza di banda di $\Delta\lambda/\lambda \lesssim 5,76 \times 10^{-4}$ per mantenere la fedeltà del pattern, un vincolo soddisfatto da laser e fasci di sincrotrone ma non da sorgenti a banda larga.

Significato e Rivendicazioni
Il documento stabilisce un approccio basato sulla fisica e guidato dal machine learning per la progettazione di maschere IL, andando oltre le strutture periodiche verso pattern non periodici complessi. Gli autori affermano che questo framework di ottimizzazione differenziabile riesce a colmare il divario tra la simulazione della propagazione d'onda in avanti e la progettazione inversa. Sfruttando lo Shifted ASM e la parallelizzazione multi-GPU, il metodo supera i colli di bottiglia della memoria che precedentemente limitavano la dimensione delle maschere ottimizzabili.

Il lavoro evidenzia il potenziale della "degenerazione" nei problemi inversi, suggerendo che l'alto grado di libertà nella progettazione della maschera può essere sfruttato per ottimizzare proprietà aggiuntive, come la robustezza alle imperfezioni sperimentali (ad esempio, errori di distanza o non-idealità del fascio) o la producibilità (ad esempio, la sparsità), sebbene potenzialmente a scapito della qualità dell'immagine o dell'intensità. Gli autori concludono che questo framework è applicabile a qualsiasi problema inverso per il quale sia disponibile un modello in avanti differenziabile, fornendo il codice sorgente per facilitare ulteriori ricerche.

Articoli simili