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

Resumo Técnico do MorphOPC: Avanços na Otimização de Máscaras com Aprendizado Morfológico Hierárquico Multi-escala

Declaração do Problema
À medida que os tamanhos dos recursos semicondutores encolhem para a escala de nanômetros, a transferência precisa de padrões de circuito de máscaras fotográficas para wafers de silício torna-se cada vez mais difícil devido à difração óptica e variações de processo. A Correção de Proximidade Óptica (OPC) é a técnica padrão utilizada para compensar essas distorções. Embora a OPC baseada em modelos tradicionais e as Técnicas de Litografia Inversa (ILT) ofereçam alta precisão, elas são computacionalmente proibitivas para aplicações de chip completo devido à necessidade de simulações repetidas de ida e volta e loops iterativos de otimização.

Abordagens recentes de aprendizado de máquina (ML), como GAN-OPC, DAMO e Neural-ILT, emergiram como substitutos rápidos para acelerar a geração de máscaras. No entanto, esses modelos generativos geralmente dependem da aprendizagem estatística do mapeamento de layout para máscara. Eles frequentemente falham em capturar o raciocínio geométrico explícito necessário para a otimização precisa de máscaras. Por exemplo, configurações geométricas específicas (por exemplo, padrões ponta-a-ponta que exigem extensões em forma de martelo, ou cantos em forma de L que precisam de correções em serifa) demandam uma compreensão analítica do contexto geométrico local, e não apenas correspondência estatística de padrões. Modelos de ML existentes frequentemente produzem máscaras subótimas porque carecem de um framework interpretável para modelar essas transformações dependentes de forma.

Metodologia
Para abordar as limitações dos modelos generativos puramente estatísticos, os autores propõem o MorphOPC, uma abordagem inovadora que formula a geração de máscaras como uma sequência de operações morfológicas aprendidas.

• Abstração Morfológica: A ideia central é que as correções de OPC podem ser vistas como deslocando segmentos de borda para dentro ou para fora, o que corresponde diretamente às operações de morfologia matemática: erosão (encolhendo recursos) e dilatação (expandindo recursos). Em vez de projetar manualmente elementos estruturantes (ESs), o MorphOPC aprende ESs adaptativos não planos e os coeficientes para essas operações diretamente a partir de mapas de características convolucionais.
• Módulos Morfológicos Neurais: A arquitetura introduz um bloco MorphBasic que substitui a agregação convolucional padrão por operações algébricas max-plus e min-plus aprendíveis. Esses blocos utilizam superfícies estruturantes aprendíveis por canal ($w_c$) e termos de viés ($\beta_c$) para realizar dilatação e erosão. Um mecanismo de controle aprendível equilibra dinamicamente a contribuição da dilatação e da erosão para cada canal.
• Aprendizado Hierárquico Multi-escala: Reconhecendo que a litografia exige a modelagem tanto de primitivas geométricas locais (bordas, cantos) quanto de interações de padrões não locais, os autores introduzem um módulo MultiScaleMorph. Este módulo divide os canais de características em grupos ($s$) e os processa através de um framework residual hierárquico. Cada grupo emprega blocos morfológicos com tamanhos de kernel distintos (por exemplo, 3x3 e 5x5), permitindo que a rede capture características com tamanhos de campo receptivo variados.
• Arquitetura: O MorphOPC integra esses módulos em uma estrutura padrão de codificador-decodificador. O codificador extrai características hierárquicas, que são refinadas pelos módulos morfológicos multi-escala. O decodificador reconstrói a máscara de alta resolução, fundindo as características geometricamente refinadas por meio de conexões de salto.
• Estratégia de Treinamento: O modelo emprega um processo de treinamento em duas etapas. Primeiro, é pré-treinado para minimizar o Erro Quadrático Médio (MSE) entre a máscara prevista e a máscara de verdade fundamental. Subsequentemente, é ajustado finamente usando um paradigma estilo GAN que incorpora um simulador de litografia. O gerador é otimizado usando uma perda composta que inclui erro de reconstrução da máscara, erro de impressão (diferença entre o wafer simulado e o alvo) e um objetivo adversarial para aprimorar o realismo.

Principais Contribuições

1. Formulação da Geração de Máscaras como Morfologia: O artigo formula o problema da OPC como uma composição de operações de dilatação e erosão aprendidas aplicadas a padrões de layout locais, fornecendo um framework interpretável para transformações geométricas.
2. Arquitetura MorphOPC: Os autores propõem uma arquitetura hierárquica multi-escala que integra módulos morfológicos diferenciáveis em um framework codificador-decodificador, permitindo que a rede aprenda elementos estruturantes adaptativos e combinações de operações dependentes de contexto.
3. Desempenho e Generalização: Extensos experimentos demonstram que o MorphOPC alcança desempenho de última geração (SOTA) em múltiplos benchmarks (GAN-OPC, LithoBench, MaskOpt) e exibe generalização superior a padrões de design complexos não vistos em comparação com métodos de OPC baseados em aprendizado existentes.

Resultados Experimentais
Os autores avaliaram o MorphOPC contra bases de referência de aprendizado de última geração (GAN-OPC, DAMO, Neural-ILT, CFNO) e métodos baseados em otimização (MultiILT, CurvyILT) em vários conjuntos de dados:

• Desempenho em Benchmark: Nos conjuntos de dados GAN-OPC, LithoBench (MetalSet e ViaSet) e MaskOpt, o MorphOPC consistentemente alcançou o menor erro $\ell_2$ (fidelidade de impressão) e Erro de Posicionamento de Borda (EPE) e Banda de Variação de Processo (PVB) competitivos. Por exemplo, na tarefa EBOPC do MaskOpt, o MorphOPC reduziu o erro $\ell_2$ em 18,7% em comparação com o GAN-OPC e em 8,5% em comparação com o DAMO.
• Generalização: Em testes no benchmark ICCAD 2013 (layouts não vistos), o MorphOPC demonstrou generalização robusta, alcançando o menor erro $\ell_2$ e contagem de disparos (Shot count) enquanto mantinha PVB competitivo, superando bases de referência que frequentemente sofriam com altas taxas de erro em padrões complexos.
• Estudos de Ablação: A remoção dos módulos morfológicos ou da hierarquia multi-escala resultou em degradação significativa de desempenho, confirmando a necessidade de ambos o raciocínio geométrico e a extração de características multi-escala.
• Eficiência: Ao manter qualidade superior de máscara, o MorphOPC retém a vantagem de velocidade dos métodos de ML, operando na ordem de $10^{-2}$ a $10^{-1}$ segundos, significativamente mais rápido que OPCs baseados em otimização (que levam segundos). Além disso, quando usado para inicializar OPCs baseados em otimização, o MorphOPC forneceu o ponto de partida mais eficaz, resultando na melhor qualidade final de impressão.

Significado
O artigo afirma que o MorphOPC representa um avanço significativo ao preencher a lacuna entre a velocidade do aprendizado de máquina e o rigor geométrico necessário para a otimização precisa de máscaras. Ao incorporar operações morfológicas diferenciáveis que se alinham com comportamentos litográficos fundamentais (expansão e contração), o modelo garante que a otimização de máscaras seja não apenas computacionalmente eficiente, mas também explicável. Os resultados sugerem que o MorphOPC tem forte potencial como um substituto escalável e de alta fidelidade para métodos de OPC tradicionais em fluxos de design industrial em grande escala, equilibrando efetivamente a fidelidade de impressão com a fabricabilidade (baixa contagem de disparos).