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

이 논문은 EUV 리소그래피 마스크의 회절 문제를 해결하기 위해 물리 정보 신경망 (PINN) 과 새로운 하이브리드 웨이브가이드 신경 연산자 (WGNO) 를 제안하며, 기존 수치 해석기법보다 높은 정확도와 빠른 추론 속도를 통해 차세대 마스크 설계 및 최적화 워크플로우를 가속화할 수 있음을 입증합니다.

핵심

1. 배경: 왜 이 연구가 필요한가요? (교통 체증 문제)

반도체 칩은 아주 미세한 회로를 실리콘 위에 새기는 과정입니다. 이때 **마스크 (Mask)**라는 '스탬프'를 사용하는데, 빛이 이 마스크를 통과할 때 **회절 (Diffraction)**이라는 현상이 일어납니다. 빛이 구부러지거나 퍼지면서, 우리가 원하는 모양과 실제 칩에 찍히는 모양이 달라질 수 있습니다.

• 비유: 마스크는 복잡한 모양의 창문이고, 빛은 물입니다. 물이 이 창문을 통과할 때 물결이 어떻게 퍼질지 예측하는 것은 매우 중요합니다.
• 문제점: 기존의 컴퓨터 시뮬레이션은 이 물결을 예측하기 위해 **수천만 개의 작은 조각 (메쉬)**으로 나눈 뒤 하나하나 계산합니다. 이는 마치 전국 모든 도로의 차량 흐름을 1 초 단위로 계산해서 교통 체증을 예측하는 것과 같습니다. 정확하긴 하지만, 시간이 너무 오래 걸려서 (수 시간~수 일) 설계가 지연됩니다.

2. 해결책: 두 가지 새로운 AI 접근법

저자들은 이 문제를 해결하기 위해 두 가지 AI 방식을 제안했습니다.

① PINN (물리 지식을 가진 AI)

• 개념: AI 에게 "이 물리 법칙 (맥스웰 방정식) 을 지켜라"라고 가르치는 방식입니다.
• 비유: 물리 법칙을 외운 유능한 교통관제사입니다. 과거 데이터가 없어도 물리 법칙만 알면 상황을 판단할 수 있습니다.
• 한계: 하지만 이 관제사가 모든 상황을 완벽하게 계산하려면 여전히 시간이 걸리고, 아주 복잡한 상황에서는 오차가 생길 수 있습니다.

② WGNO (Waveguide Neural Operator, 제안된 혁신 기술)

• 개념: 기존에 물리학자들이 쓰던 '가장 정확한 계산법 (파동관 방법)'의 가장 느린 부분만 AI 로 대체한 하이브리드 방식입니다.
• 비유: 전통적인 교통 관제 시스템의 '병목 구간'만 AI 가 대신하는 시스템입니다.
  • 기존 시스템은 모든 데이터를 직접 계산합니다.
  • WGNO 는 "이런 패턴이 나오면, AI 가 미리 계산해 둔 답을 바로 꺼내서 줘"라고 합니다.
  • 마치 숙련된 요리사가 레시피 (물리 법칙) 는 그대로 유지하되, 가장 시간이 걸리는 '절단' 과정만 로봇 팔이 대신하는 것과 같습니다.

3. 실험 결과: 얼마나 빨라졌나요?

저자들은 실제 반도체 마스크 설계에 필요한 2 차원 (2D) 과 3 차원 (3D) 문제를 풀어서 비교했습니다.

• 정확도: 제안된 WGNO는 기존에 가장 정확하다고 알려진 전통적인 계산법과 거의 똑같은 결과를 냈습니다. (오차 거의 0 에 수렴)
• 속도:
  • 기존 방법: 수 시간 걸림.
  • WGNO: 0.0002 초 만에 결과를 내었습니다.
  • 비유: 기존에 전국 교통 상황을 계산하는 데 1 시간 걸렸다면, 이 AI 는 1 초도 안 되어 "지금 이 길로 가세요"라고 알려주는 것입니다. 속도가 200 배 이상 빨라졌습니다.

4. 핵심 장점: "보지 못한 상황"도 잘 예측합니다 (일반화 능력)

AI 의 가장 큰 약점은 훈련하지 않은 새로운 상황에서는 엉뚱한 답을 낼 수 있다는 것입니다. 하지만 이 WGNO 는 새로운 마스크 모양이나 빛의 파장 (13.5nm, 11.2nm) 을 처음 보더라도 훈련했던 데이터와 거의 동일한 정확도로 답을 내놓았습니다.

• 비유: 이 AI 는 단순히 "이 길은 막힌다"고 외운 것이 아니라, 교통 흐름의 원리 자체를 이해했기 때문에,从未 본 새로운 도로 상황에서도 정확한 교통 체증 예측이 가능한 것입니다.

5. 결론: 반도체 산업의 미래

이 연구는 반도체 마스크 설계 (OPC) 과정을 획기적으로 가속화할 수 있음을 증명했습니다.

• 의미: 이제 설계 엔지니어들은 수일 걸리던 시뮬레이션을 순간에 끝낼 수 있게 되어, 더 작고 강력한 반도체 칩을 훨씬 빠르게 개발할 수 있게 됩니다.
• 확장성: 이 기술은 반도체뿐만 아니라, 복잡한 전자기파를 다루는 메타물질이나 복합재료 설계에도 적용될 수 있습니다.

한 줄 요약:

"복잡한 빛의 회절 현상을 계산하는 데 걸리는 시간을 수 시간에서 0.0002 초로 줄여주면서, 정확도는 그대로 유지한 초고속 AI 설계 도구를 개발했습니다."

기술 요약

이 논문은 극자외선 (EUV) 리소그래피 마스크에서의 전자기파 회절 문제를 해결하기 위해 물리 정보 신경망 (PINN) 과 신경 연산자 (Neural Operators) 를 적용한 연구입니다. 특히, 기존 수치 해석 방법의 계산 비용 문제를 해결하고 정확도와 속도를 동시에 개선하기 위해 제안된 하이브리드 웨이브가이드 신경 연산자 (WGNO, Waveguide Neural Operator) 아키텍처에 중점을 두고 있습니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem Statement)

• 배경: EUV 리소그래피는 반도체 제조의 핵심 기술로, 13.5 nm 및 차세대 11.2 nm 파장을 사용하여 실리콘 웨이퍼에 미세 패턴을 형성합니다.
• 도전 과제: 마스크 (Mask) 의 3D 구조와 회절, 간섭 현상으로 인해 웨이퍼 위의 빛 패턴이 마스크 패턴과 일치하지 않습니다. 이를 보정하기 위한 광학 근접 보정 (OPC) 과정에서 마스크 위치의 전자기장을 정밀하게 계산해야 합니다.
• 기존 방법의 한계:
  • 정밀 수치 해석 (FEM, WG 등): 전자기 시뮬레이터 (예: FreeFem++, Waveguide Method) 는 높은 정확도를 제공하지만, 매우 미세한 메쉬가 필요하여 계산 자원이 막대하고 시간이 오래 걸립니다.
  • 기존 딥러닝 (CNN, GAN 등): 지도 학습 (Supervised Learning) 기반이므로 방대한 레이블 데이터가 필요하고, 훈련 시간이 길며, 일반화 (Generalization) 능력이 부족하여 정확한 해를 보장하기 어렵습니다.

2. 방법론 (Methodology)

저자들은 물리 법칙을 직접 학습 과정에 통합하는 두 가지 접근법을 제안하고 비교합니다.

A. 물리 정보 신경망 (PINN, Physics-Informed Neural Networks)

• 원리: 편미분 방정식 (PDE) 의 잔차 (Residual) 와 경계 조건을 손실 함수 (Loss Function) 에 포함시켜 지도 학습 없이 (Unsupervised) 신경망을 훈련시킵니다.
• 구현: 다층 퍼셉트론 (MLP) 을 사용하여 전자기장 성분 ($H_x, H_y$) 을 근사합니다. 주기적 경계 조건을 만족시키기 위해 입력 좌표에 푸리에 특징 임베딩 (Fourier Feature Embedding) 을 적용했습니다.
• 특징: 데이터가 필요 없으나, 복잡한 3D 문제에서 수렴 속도가 느리고 정확도가 수치 해석법보다 떨어질 수 있습니다.

B. 웨이브가이드 신경 연산자 (WGNO, Waveguide Neural Operator) - 주요 제안

• 개념: 기존 고충실도 솔버인 '웨이브가이드 (WG) 방법'의 구조를 활용하되, 가장 계산 비용이 많이 드는 부분을 신경망으로 대체한 하이브리드 모델입니다.
• 작동 원리:
  1. WG 방법은 마스크를 층별로 나누고 각 층에서 모드 (Mode) 의 중첩으로 장을 표현하며, 층 간 경계 조건을 만족시키는 선형 방정식 시스템을 풉니다.
  2. WGNO 는 이 선형 시스템의 해 (모드 진폭 벡터 $A$) 를 구하는 과정 중, 가장 병목이 되는 부분 (매우 큰 행렬 연산) 을 신경망 (MLP) 으로 대체합니다.
  3. 신경망은 마스크의 유전율 푸리에 계수와 입사파 파라미터를 입력받아, 선형 시스템의 해 벡터를 직접 예측합니다.
• 장점: 물리적 구조 (웨이브가이드 모드) 를 유지하면서 계산 병목 현상을 제거하고, 함수 공간 간의 매핑을 학습하여 파라미터 변화에 대한 일반화 능력을 극대화합니다.

3. 주요 결과 (Key Results)

A. 테스트 문제 및 2D 시뮬레이션 (13.5 nm 및 11.2 nm)

• 정확도:
  • WGNO: 기계 정밀도 (Machine precision) 에 가까운 높은 정확도를 보였습니다. 2D 마스크 시뮬레이션에서 상대 $L_2$ 오차는 $10^{-6} \sim 10^{-7}$ 수준으로, 기존 WG 솔버와 시각적으로 구별되지 않을 정도로 정확했습니다.
  • PINN: 단순 문제에서는 합리적인 정확도를 보였으나, 복잡한 유전체 층이나 3D 구조에서는 오차가 수% ($10^{-2}$) 에 달하여 WGNO 보다 성능이 떨어졌습니다.
• 속도 (추론 시간):
  • WGNO 는 훈련 시간이 매우 짧았으며 (2D 기준 4~8 초), 추론 (Inference) 시간은 $10^{-4}$ 초 수준으로 기존 수치 솔버보다 수천 배 빠릅니다.
  • 3D 마스크 시뮬레이션에서 WGNO 는 기존 WG 솔버 대비 200 배 이상의 속도 향상을 보여주었습니다.

B. 3D 마스크 시뮬레이션

• 실제적인 3D 마스크 구조 (흡수체, 반사경 등) 에 대한 시뮬레이션에서 WGNO 는 높은 정확도를 유지하면서도 19 초 미만의 훈련 시간으로 해를 도출했습니다.
• PINN 은 3D 문제에서 수렴에 실패하거나 높은 오차를 보였습니다.

C. 일반화 능력 (Generalization)

• WGNO 는 훈련 데이터에 포함되지 않은 새로운 마스크 파라미터 (예: 흡수체 구멍의 크기 변화) 에 대해서도 훈련된 파라미터와 유사한 정확도의 해를 제공했습니다.
• 일반화 지표 ($\mu$) 가 0.99 에 근접하여, 학습되지 않은 파라미터 영역에서도 신뢰할 수 있는 예측이 가능함을 입증했습니다.

4. 의의 및 결론 (Significance & Conclusion)

• OPC 워크플로우 가속화: WGNO 는 차세대 리소그래피 마스크 설계 및 최적화 (OPC) 과정에서 발생하는 반복적인 전자기 시뮬레이션의 병목 현상을 해결할 수 있는 강력한 도구입니다.
• 하이브리드 접근법의 우수성: 순수 데이터 기반 딥러닝이나 전통적인 수치 해석법만으로는 달성하기 어려운 '높은 정확도'와 '초고속 추론'을 동시에 달성했습니다.
• 확장성: 제안된 방법은 리소그래피뿐만 아니라 메타물질, 복합재료 등 다른 복잡한 전자기 구조의 설계 및 최적화에도 적용 가능할 것으로 기대됩니다.

요약하자면, 이 논문은 EUV 리소그래피 마스크의 회절 문제를 해결하기 위해 물리 기반의 구조를 신경망에 접목한 WGNO를 제안하였으며, 이는 기존 정밀 솔버의 정확도를 유지하면서 계산 시간을 획기적으로 단축하여 반도체 제조 공정의 효율성을 혁신적으로 높일 수 있음을 입증했습니다.