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

Dit artikel introduceert een hybride Waveguide Neural Operator (WGNO) en andere physics-informed neurale systemen die de diffractie van EUV-golven van lithografische maskers met hoge nauwkeurigheid en aanzienlijk verkorte rekentijd simuleren, waardoor het ontwerp en de optimalisatie van volgende generatie maskers worden versneld.

De kern

Titel: De "Super-Snelheidsrekenmachine" voor de Kleinste Chipjes ter Wereld

Stel je voor dat je een gigantische, ingewikkelde stad op een stukje papier moet tekenen, maar dan op een schaal die zo klein is dat je de straten niet meer kunt zien met het blote oog. Dit is wat er gebeurt in de chipindustrie: ze bouwen computerschijfjes (chips) met structuren die kleiner zijn dan een virus. Om dit te doen, gebruiken ze een technologie genaamd EUV-lithografie.

Hoe werkt dat?
Het is alsof je een foto maakt, maar dan met licht dat zo blauw is dat het nauwelijks zichtbaar is (extreem ultraviolet). Je schijnt dit licht door een "masker" (een soort sjabloon) om het patroon op een siliciumplaat te branden.

Het Probleem: Licht is een ondeugende gast
Het probleem is dat licht, net als water dat over rotsen stroomt, niet gewoon rechtdoor gaat. Het buigt om hoeken, reflecteert en interfereert. Dit noemen we diffractie.
In de echte wereld betekent dit: als je een masker tekent met rechte lijnen, komt het licht op de plaat niet als rechte lijnen aan, maar als een wazige, vervormde vlek. Om dit op te lossen, moeten ingenieurs het masker eerst "op de kop" tekenen (een proces dat Optical Proximity Correction of OPC heet).

Om te weten hoe ze het masker moeten tekenen, moeten ze eerst simuleren hoe het licht zich gedraagt. En hier komt het probleem: deze berekeningen zijn zo zwaar dat supercomputers uren of zelfs dagen nodig hebben om één simpele simulatie te doen. Het is alsof je elke keer dat je een nieuw huis wilt bouwen, eerst de windstoten en regen van de hele wereld in detail moet berekenen voordat je de eerste steen kunt leggen.

De Oplossing: Een Nieuwe Snelheidsrekenmachine
De auteurs van dit paper (Vasiliy en Egor) hebben een nieuwe manier bedacht om deze berekeningen te versnellen. Ze gebruiken Kunstmatige Intelligentie (AI), maar dan op een slimme manier.

Ze vergelijken twee methoden:

1. De "Stuiterende Bal" (PINN):
   Stel je voor dat je een bal laat stuiteren in een kamer met muren. Je probeert de bal te laten stuiteren door hem elke keer een beetje anders te gooien en te kijken of hij tegen de muren stuitert zoals hij moet. Dit is wat de eerste AI-methode doet: het probeert de natuurwetten te leren door te "gissen" en te corrigeren. Het werkt, maar het is traag en maakt soms nogal wat fouten, alsof de bal soms door de muur zakt.

2. De "Slimme Architect" (WGNO - De Sterke Winnaar):
   Dit is de nieuwe, revolutionaire methode uit dit paper. In plaats van dat de AI van nul af aan leert hoe licht werkt, geven ze de AI een bestaand, bewezen bouwschema (de "golfgeleider-methode").

   De Analogie: Stel je voor dat je een auto wilt bouwen. De oude methode is alsof je elke bout en moer zelf moet smeden en testen. De nieuwe methode (WGNO) is alsof je een auto hebt die al bijna klaar is, maar de motor (het moeilijkste en duurste onderdeel) is vervangen door een supersnelle, slimme robot.

   Deze robot (het neurale netwerk) is getraind om precies te weten welke "motor" je nodig hebt voor een bepaald type masker. Zodra hij dat eenmaal heeft geleerd, kan hij in een flits (minder dan een seconde) voorspellen hoe het licht zich gedraagt, zonder dat hij de hele berekening opnieuw hoeft te doen.

Wat hebben ze ontdekt?

• Snelheid: De nieuwe "Slimme Architect" (WGNO) is 200 keer sneller dan de traditionele methoden. Wat voorheen uren duurde, duurt nu seconden.
• Nauwkeurigheid: Hij is niet alleen snel, maar ook extreem nauwkeurig. De fouten zijn zo klein dat ze nauwelijks meetbaar zijn.
• Slimme Generalisatie: Het mooiste is dat de AI niet alleen dingen kan doen die hij al heeft gezien. Als je hem een nieuw type masker geeft (bijvoorbeeld met een andere golflengte of een ander patroon), kan hij het patroon van het licht toch heel goed voorspellen. Het is alsof je een kok hebt die een recept kent en ook een nieuw gerecht kan bedenken met ingrediënten die hij nog nooit heeft gebruikt, maar wel begrijpt hoe ze smaken.

Waarom is dit belangrijk?
Dit betekent dat chipfabrikanten hun ontwerpen veel sneller kunnen testen en verbeteren. In plaats van dagen te wachten op een simulatie, kunnen ze in een paar seconden zien of hun ontwerp werkt. Dit versnelt de ontwikkeling van snellere, krachtigere en kleinere computerschijfjes, wat ons allemaal helpt om snellere telefoons en auto's te krijgen.

Kortom:
Ze hebben een manier gevonden om de "rekenkracht" van de natuurwetten te versnellen door een slimme AI te gebruiken die de zware berekeningen overneemt. Het is alsof ze een trage, oude rekenmachine hebben vervangen door een lichtstraal die in een flits het antwoord geeft.

Technische samenvatting

Titel: Fysica-geïnformeerde neurale systemen voor de simulatie van EUV-elektromagnetische golfdiffractie van een lithografische masker.

1. Probleemstelling

Extreme Ultraviolet (EUV) lithografie is essentieel voor de productie van geavanceerde halfgeleiders en het volgen van de wet van Moore. Bij deze technologie worden patronen op siliciumwafers geëtst door EUV-licht (golflengten rond 13,5 nm en toekomstig 11,2 nm) te reflecteren van een masker.

• De uitdaging: Door diffractie en interferentie verschilt het patroon op het masker niet exact van het patroon op de wafer. Om dit te corrigeren, wordt Optical Proximity Correction (OPC) toegepast.
• De bottleneck: Het berekenen van de elektromagnetische velden rondom het masker vereist strikte numerieke simulaties (zoals de Waveguide-methode of FEM). Deze berekeningen zijn echter extreem rekenintensief en tijdrovend, wat de ontwerpcyclus van maskers vertraagt.
• Huidige beperkingen: Bestaande benaderingen met diepe neurale netwerken (zoals CNN's of U-Nets) zijn vaak gebaseerd op toezicht (supervised learning), vereisen enorme datasets, hebben lange trainingtijden en missen vaak de nodige nauwkeurigheid en generalisatievermogen voor nieuwe parameters.

2. Methodologie

De auteurs stellen twee benaderingen voor die gebruikmaken van Physics-Informed Neural Networks (PINN's) en Neural Operators (NO's), waarbij het trainen onbewaakt (unsupervised) verloopt door de onderliggende Maxwell-vergelijkingen direct in het trainingsproces te integreren.

• Fysica-geïnformeerde Neurale Netwerken (PINN):

  • Een Deep Neural Network (MLP) benadert de latente variabelen van het magnetische veld ($H_x, H_y$).
  • Het netwerk wordt getraind door een verliesfunctie te minimaliseren die bestaat uit de residuen van de partiële differentiaalvergelijkingen (PDE's) en de randvoorwaarden (periodiciteit en Sommerfeld-stralingsvoorwaarden).
  • Er wordt gebruikgemaakt van Fourier-feature embedding om periodieke randvoorwaarden exact te waarborgen.

• Waveguide Neural Operator (WGNO) – De Kerninnovatie:

  • De auteurs introduceren een hybride architectuur die de meest rekenintensieve stap van de traditionele Waveguide-methode vervangt door een neurale operator.
  • Traditionele WG-methode: Deel de oplossing op in gelaagde golfgidsmodi, bereken eigenwaarden/eigenvectoren voor elke laag, en los een groot lineair stelsel op om de coëfficiënten te vinden. Het oplossen van dit lineaire stelsel is de "flesnek".
  • WGNO-aanpak: Een Multi-Layer Perceptron (MLP) leert de directe mapping van de invoer (rechterlid-vector van het lineaire stelsel en Fourier-coëfficiënten van de diëlektrische permittiviteit) naar de oplossing (de coëfficiënten van de modus-amplitudes).
  • Dit maakt de operator mesh-onafhankelijk en laat toe om de fysieke structuur van de golfgidsmethode te behouden terwijl de zwaarste berekening wordt versneld.

3. Belangrijkste Bijdragen

1. Introductie van WGNO: Een nieuwe hybride architectuur die de efficiëntie van de Waveguide-methode combineert met de snelheid van neurale netwerken door de lineaire solver te vervangen door een geleerde operator.
2. Onbewaakte training: De systemen worden getraind zonder gelabelde datasets, puur op basis van de fysieke wetten (Maxwell-vergelijkingen), wat de afhankelijkheid van dure simulatiedata elimineert.
3. Generalisatievermogen: Het paper toont aan dat de WGNO uitstekend generaliseert naar parameters die niet in de trainingsset zaten (bijv. nieuwe maskergeometrieën of golflengten), met een nauwkeurigheid die dicht bij de trainingsdata ligt.
4. Validatie op industriële standaarden: De methoden zijn getest op realistische 2D en 3D maskers voor zowel de huidige industriestandaard (13,5 nm) als toekomstige golflengtes (11,2 nm).

4. Resultaten

De prestaties zijn vergeleken met de traditionele Waveguide-methode (als referentie) en FEM (FreeFem++).

• Nauwkeurigheid:
  • PINN: Bereikt redelijke nauwkeurigheid maar faalt bij complexe problemen (zoals diëlektrische lagen) en vertoont significante fouten (tot enkele procenten) bij realistische maskers.
  • WGNO: Bereikt uitzonderlijke nauwkeurigheid. De relatieve $L_2$-fouten zijn extreem laag (bijv. $3,8 \times 10^{-6}$ voor 13,5 nm en $3,5 \times 10^{-7}$ voor 11,2 nm), wat vergelijkbaar is met de machineprecisie van de referentie-oplosser.
• Snelheid (Inferentie en Training):
  • Inferentie: WGNO is extreem snel. De inferentietijd ligt in de orde van $10^{-4}$ seconden, wat een versnelling van meer dan 200x betekent ten opzichte van de traditionele Waveguide-methode.
  • Training: De trainingstijd voor WGNO is verrassend kort (bijv. < 20 seconden voor 3D-maskers), terwijl PINN's vaak duizenden seconden nodig hebben voor vergelijkbare taken.
• 3D Simulatie: De WGNO slaagt erin volledige 3D-maskerproblemen met hoge fideliteit op te lossen, waarbij de resultaten visueel en kwantitatief nauwelijks te onderscheiden zijn van de referentie-oplossing.

5. Betekenis en Conclusie

Dit werk demonstreert dat Physics-Informed Neural Operators een game-changer kunnen zijn voor de EUV-lithografie-industrie.

• Versnelling van OPC: Door de inferentietijd drastisch te verkorten, kunnen ontwerpcycli voor Optical Proximity Correction (OPC) aanzienlijk worden versneld, wat essentieel is voor de productie van volgende generatie chips.
• Robuustheid: De WGNO biedt een state-of-the-art oplossing die niet alleen sneller is, maar ook robuust genoeg is om complexe 3D-structuren en nieuwe golflengtes (zoals 11,2 nm) te hanteren zonder verlies van nauwkeurigheid.
• Toepassingsbreedte: Hoewel gericht op lithografie, zijn de ontwikkelde methoden breed toepasbaar voor het optimaliseren van andere complexe elektromagnetische structuren, zoals metamaterialen en composietmaterialen.

Kortom, de paper bewijst dat het vervangen van de zwaarste numerieke componenten in fysica-gedreven simulaties door neurale operatoren leidt tot een systeem dat zowel extreem snel als uiterst nauwkeurig is, waardoor het een ideale kandidaat is voor industriële implementatie.