🔬 optics

Inverse mask design for interference lithography using automatic differentiable wave propagation

Este artigo apresenta um framework de otimização baseado em gradiente utilizando diferenciação automática e o método do espectro angular diferenciável para projetar máscaras de litografia de interferência binária que geram com sucesso nanoestruturas complexas e não periódicas com defeitos mínimos, enquanto emprega técnicas de eficiência de memória, como o ASM deslocado e o checkpoint de gradiente, para escalar para grandes tamanhos de máscara.

Autores originais: 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

Publicado 2026-08-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: 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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando imprimir uma imagem usando apenas uma lanterna e um pedaço de papelão. No mundo da fabricação de coisas minúsculas — como os circuitos dentro do seu telefone ou os padrões em um microchip — os cientistas usam uma técnica chamada Litografia de Interferência. Pense nisso como se fosse o seguinte: em vez de projetar uma luz através de um estêncil para obter uma sombra, você projeta dois ou mais feixes de laser para que eles colidam uns com os outros. Onde as ondas de luz se encontram da maneira certa, elas criam listras claras e escuras, como ondulações em um lago colidindo. Isso é fantástico para criar padrões repetitivos perfeitos (como uma grade de pontos) porque a matemática é simples e previsível.

Mas e se você quiser imprimir algo bagunçado e único, como um logotipo ou um desenho complexo, em vez de apenas uma grade repetitiva? É aí que as coisas ficam complicadas. As ondas de luz não seguem mais uma regra simples; elas se emaranham. Para obter a imagem correta no "filme" (uma camada especial sensível à luz), você tem que projetar um molde muito específico e de aparência estranha (o papelão com buracos) que torça a luz exatamente como você precisa. O problema é que descobrir como esse molde deve ser como tentar adivinhar a forma de uma pedra apenas olhando para a sua sombra. É um quebra-cabeça sem uma solução óbvia e, por muito tempo, criar esses moldes personalizados para formas complexas foi incrivelmente difícil.

É aqui que uma equipe de pesquisadores do Laboratório Nacional de Brookhaven entra com um truque inteligente. Eles não apenas adivinharam; eles construíram um programa de computador super inteligente que aprende a projetar esses moldes por tentativa e erro, mas com um superpoder: a diferenciação automática.

Veja como a "mágica" deles funciona. Imagine que você está tentando esculpir uma estátua de argila, mas só consegue ver a sombra que ela projeta em uma parede. Você quer que a sombra pareça exatamente com a foto de um gato. No passado, você poderia adivinhar, olhar para a sombra e adivinhar novamente, esperando chegar mais perto. Este novo método é como ter um robô que pode dizer instantaneamente qual minúsculo grão de argila você deve mover para fazer a sombra parecer melhor. O computador simula a luz passando através de um molde digital, vê como o "sombra" resultante (o padrão) se compara à imagem alvo e, em seguida, usa matemática para descobrir exatamente como ajustar o molde para corrigir os erros. Ele faz isso milhares de vezes seguidas, aproximando-se cada vez mais da perfeição.

Os pesquisadores usaram uma técnica chamada Método do Espectro Angular para simular como a luz viaja. Pense nisso como um motor de videogame super preciso que prevê exatamente como as ondas de luz irão dançar e interferir umas com as outras. Ao tornar esse motor "diferenciável", eles permitiram que o computador trabalhasse de trás para frente, do erro até a causa. Eles começaram com um molde digital aleatório e bagunçado e deixaram o computador "retropropagar" os erros, ajustando os pixels do molde até que o padrão de luz simulado correspondesse ao design pretendido quase perfeitamente.

Os resultados foram impressionantes. Eles projetaram um molde que podia imprimir um padrão complexo (baseado no logotipo do Laboratório Nacional de Brookhaven) com detalhes incrivelmente nítidos. O padrão final tinha apenas 0,1% de seus pixels errados — basicamente, apenas alguns pequenos pontos de poeira espalhados em uma imagem quase perfeita. Mais legal ainda, o molde que eles projetaram tinha pixels de 800 nanômetros de largura, mas podia imprimir recursos tão pequenos quanto 400 nanômetros. Isso é como usar um pincel grosso para pintar uma linha que tem metade da largura das cerdas do próprio pincel, tudo graças à maneira como as ondas de luz interferem umas nas outras.

No entanto, havia um porém. Simular essa dança da luz para um molde grande requer uma quantidade massiva de memória de computador, como tentar conter um oceano gigante em uma única xícara. Para resolver isso, a equipe inventou uma versão "deslocada" de sua simulação. Imagine tentar pintar um mural enorme. Em vez de tentar manter todo o canvas em sua mente de uma só vez, você o divide em pequenos quadrados, pinta cada quadrado separadamente e depois os cola. Essa abordagem de "mosaico" permitiu que eles simulassem moldes 10,2 vezes maiores do que seus computadores normalmente conseguiriam lidar. Eles até testaram rodar isso em quatro placas de vídeo ao mesmo tempo, o que tornou o processo 2,5 vezes mais rápido.

Um detalhe importante que eles descobriram é que essa mágica só funciona se a luz for muito pura. Se você usar uma lanterna com uma mistura de cores (como luz branca), o padrão fica borrado e desbotado. Eles descobriram que a luz precisa ser quase de uma única cor (monocromática), como um laser, para manter as bordas nítidas. Se a cor da luz variar demais, o delicado padrão de interferência se desfaz.

No fim, este artigo não mostra apenas uma nova maneira de projetar moldes; ele abre as portas para imprimir qualquer forma que você possa imaginar usando litografia de interferência. Ao combinar física com aprendizado de máquina, eles transformaram um problema matemático quase impossível em um quebra-cabeça solucionável. Embora tenham provado que isso funciona em simulações, o caminho está agora livre para construir moldes reais para a criação de nanoestruturas complexas e não repetitivas, potencialmente revolucionando a forma como fabricamos dispositivos minúsculos e intrincados no futuro.

Resumo Técnico: Design de Máscara Inversa para Litografia de Interferência usando Propagação de Onda Diferenciável Automática

Definição do Problema
A litografia de interferência (IL) é uma técnica padrão para fabricar nanoestruturas periódicas de alta resolução e qualificar fotorresistes, particularmente em comprimentos de onda de ultravioleta extremo (EUV). No entanto, projetar fotomáscaras para gerar padrões arbitrários e não periódicos permanece um desafio significativo. Embora a propagação direta de uma máscara para uma imagem aérea possa ser computada analiticamente, o problema inverso — determinar a máscara necessária para produzir uma imagem aérea alvo específica — é mal posto devido à falta de informação de fase nos padrões aéreos baseados em intensidade. Métodos existentes frequentemente têm dificuldade em escalar para tamanhos de máscara grandes ou em resolver características menores que o passo de pixel da máscara sem custos computacionais proibitivos.

Metodologia
Os autores propõem um framework de otimização baseado em gradiente que utiliza diferenciação automática para resolver o problema de design de máscara inversa. O núcleo da abordagem é um modelo direto diferenciável baseado no Método do Espectro Angular (ASM), uma técnica padrão para simular difração de campo próximo e intermediário.

Modelo Direto: O ASM computa o campo propagado no plano da imagem realizando uma transformada de Fourier do campo da máscara, multiplicando por uma função de transferência (que inclui propagação em espaço livre e limitação de banda para suprimir componentes evanescentes e de aliasing) e aplicando uma transformada de Fourier inversa. Este processo é totalmente diferenciável, permitendo que os gradientes sejam retropropagados.
Formulação de Otimização: O design da máscara é tratado como um problema de otimização sobre "logits" contínuos ( $\ell$ ). Estes logits são convertidos em uma máscara binária suave através de uma função sigmoide com um parâmetro de temperatura ( $\tau$ ), que é resfriado (annealed) durante o treinamento para se aproximar de uma máscara binária rígida. A função de perda ( $\mathcal{L}$ ) combina um termo de correlação de Pearson entre a amplitude do campo simulado e o padrão alvo com termos de regularização: Variação Total ( $L_{TV}$ ) para penalizar variações espaciais de alta frequência e Esparsidade ( $L_{sp}$ ) para promover máscaras esparsas e manufaturáveis.
Escalabilidade (Shifted ASM): Para abordar o escalonamento de memória $O(N^2)$ do ASM padrão para máscaras grandes, os autores empregam o Shifted ASM. Este método particiona a máscara em patches menores (por exemplo, $4 \times 4$ ), propaga-os independentemente usando funções de transferência que consideram deslocamentos laterais, e soma os campos complexos resultantes no plano de observação. Isso reduz os requisitos de pico de memória para escalar com o tamanho do patch, $O((N/P)^2)$ .
Paralelização: O framework suporta distribuição multi-GPU, onde os patches são atribuídos a diferentes GPUs. A comunicação é limitada a duas operações all-reduce: somar campos parciais na passagem direta e somar gradientes de logits na passagem reversa.

Principais Resultados
Os autores validaram o framework usando um padrão alvo derivado do logotipo do Brookhaven National Laboratory (BNL), apresentando listras verticais com um tamanho mínimo de característica de 400 nm.

Resolução e Precisão: Usando uma máscara com um passo de pixel de 800 nm, o design otimizado conseguiu resolver com sucesso características de 400 nm no plano da imagem, demonstrando um aumento de resolução de 2 $\times$ através de difração coerente. O padrão resultante alcançou um coeficiente de correlação de Pearson de 0,95 com o alvo. Ao ser binarizado para simular o desenvolvimento do resiste, o padrão exibiu apenas 0,1% de defeitos em nível de pixel isolado.
Eficiência de Memória e Tempo de Execução: Para uma máscara de 3,84 mm $\times$ 3,84 mm (19.200 $\times$ 19.200 pixels), o Shifted ASM com 16 patches reduziu a memória de GPU de pico em 3,8 $\times$ em comparação ao ASM padrão, com apenas um aumento de 1,3 $\times$ no tempo de execução. Com o gradient checkpointing habilitado, a memória de pico foi reduzida em 7,4 $\times$ com um custo de tempo de execução de 2 $\times$ .
Capacidade de Grande Escala: A abordagem Shifted ASM permitiu a otimização de máscaras de até 12,8 mm $\times$ 12,8 mm, uma área 10,2 $\times$ maior do que o tamanho máximo alcançável com o ASM padrão no mesmo hardware. A distribuição da otimização através de 4 GPUs acelerou ainda mais o processo, alcançando um aumento de velocidade de 2,5 $\times$ em relação ao ASM padrão.
Sensibilidade Espectral: Simulações indicaram que, embora a IL periódica seja tolerante a fontes de banda larga, padrões não periódicos arbitrários requerem iluminação quase monocromática. O estudo estimou uma tolerância de largura de banda de $\Delta\lambda/\lambda \lesssim 5,76 \times 10^{-4}$ para manter a fidelidade do padrão, uma restrição atendida por lasers e feixes de síncrotron, mas não por fontes de banda larga.

Significância e Alegações
O artigo estabelece um abordage baseada em aprendizado de máquina e informada pela física para o design de máscara de IL, indo além de estruturas periódicas para padrões complexos e não periódicos. Os autores alegam que este framework de otimização diferenciável consegue unir a lacuna entre a simulação de propagação de onda direta e o design inverso. Ao aproveitar o Shifted ASM e a paralelação multi-GPU, o método supera os gargalos de memória que anteriormente limitavam o tamanho das máscaras otimizáveis.

O trabalho destaca o potencial de "degenerescência" em problemas inversos, sugerindo que o alto grau de liberdade no design de máscara pode ser explorado para otimizar propriedades adicionais, como robustez a imperfeições experimentais (ex: erros de distância ou não-idealidades do feixe) ou manufaturabilidade (ex: esparsidade), embora potencialmente ao custo da qualidade da imagem ou intensidade. Os autores concluem que este framework é aplicável a qualquer problema inverso onde um modelo direto diferenciável esteja disponível, com o código fonte fornecido para facilitar pesquisas futuras.

Mais como este