💻 computer science

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

本文介绍了 MorphOPC，这是一种多尺度分层深度学习模型，它将掩模生成表述为一系列神经形态学操作，以克服现有编码器 - 解码器方法在几何变换方面的局限性，从而在光学邻近校正中实现更优的印刷保真度和更低的制造成本。

原作者： Yuting Hu, Lei Zhuang, Chen Wang, Ruiyang Qin, Hua Xiang, Gi-joon Nam, Jinjun Xiong

发布于 2026-05-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuting Hu, Lei Zhuang, Chen Wang, Ruiyang Qin, Hua Xiang, Gi-joon Nam, Jinjun Xiong

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《MorphOPC：通过多尺度分层形态学习推进掩模优化》的通俗解释，辅以日常类比。

核心难题：“复印机”故障

想象一下，你试图将一幅极其精细、微小的画作复印到纸上。但是，你的复印机有个故障：当它尝试打印锐利的角落或细线时，墨水会洇开，角落会变得圆钝，线条也会比应有的更短。

在计算机芯片的世界里，情况恰恰如此。工程师设计了一个电路（即“目标”），但当他们试图利用光线（光刻）将其打印到硅晶圆上时，光的物理特性会导致图像失真。角落变得圆钝，微小的间隙可能会闭合或张开。

为了解决这个问题，工程师使用一种称为**OPC（光学邻近修正）**的工艺。他们必须在打印前手动调整“主模板”（即光掩模）。如果最终打印需要锐利的角落，工程师就必须在掩模上绘制一个奇怪的、延伸的形状，这样当光线照射到它时，打印出来的就是一个完美的正方形。

旧方法 vs. 新方法

旧方法（传统 OPC）： 这就像试图通过手工逐个像素地修复复印效果。你模拟打印，查看哪里出错，移动一个像素，再次模拟，然后重复。这种方法极其准确，但需要耗费巨大的时间和计算能力。
“AI"方法（先前的方法）： 最近，科学家尝试使用人工智能（如生成对抗网络）来即时猜测正确的掩模。这就像一位看过数百万幅画作的艺术家，试图根据模式来猜测掩模应该是什么样子。
- 问题所在： 这些"AI 艺术家”擅长猜测“氛围”或大致形状，但它们并不真正理解几何结构。它们可能会画出一个在统计上看起来正确的角落，但却无法通过物理测试，因为它们不理解为什么角落需要延伸。

解决方案：MorphOPC

这篇论文的作者构建了一个名为MorphOPC的新 AI 模型。与其仅仅猜测形状，他们教会了 AI 用于修复这些打印错误的特定“几何规则”。

核心理念：“雕塑”类比

论文使用了一个数学概念，称为数学形态学。想象你有一团黏土（即目标设计）。

膨胀（Dilation）： 你将黏土向外推，使形状变大并填补裂缝。
腐蚀（Erosion）： 你将黏土向内刮，使形状变小并抚平凸起。

在芯片制造中，修复失真的线条通常意味着以非常特定的方式将边缘向外推（膨胀）或向内拉（腐蚀）。

MorphOPC将掩模生成过程视为雕塑家使用这两种工具。AI 不再仅仅学习“掩模长什么样”，而是学习如何推拉设计的边缘。

工作原理（“多尺度”魔力）

论文引入了一种巧妙的架构，称为多尺度分层学习。

类比： 想象你在编辑一张照片。
- 小尺度： 你放大以修复鼻子上的微小划痕（局部细节）。
- 大尺度： 你缩小以修复整张脸的整体光照（全局上下文）。
模型： MorphOPC 同时执行这两项操作。它拥有不同的“层”，用不同的“镜头”观察设计。有些层观察 3x3 像素的微小区域以修复单个角落，而其他层则观察 5x5 区域以修复整条线。它将这些视角结合起来，创造出完美的掩模。

发现（结果）

研究人员使用行业标准基准（如 ICCAD 2013 竞赛）将 MorphOPC 与现有的最佳 AI 模型及传统方法进行了测试。

更高的精度： 与其他 AI 模型相比，MorphOPC 生成的掩模打印出来更接近原始设计。它的“误差”更少（ $\ell_2$ 误差更低）。
更好的几何性： 因为它理解“推拉”规则，所以它处理复杂形状（如 L 形角落）的能力远胜于那些仅仅进行猜测的模型。
比旧方法更快： 虽然它不如“猜测型”AI 模型快，但比传统的手工修正方法显著更快。
泛化能力： 当他们在从未见过的设计上测试它时，它的表现仍然优于竞争对手。它不仅仅是死记硬背训练数据，而是学习了修复形状的逻辑。

总结

可以将MorphOPC视为一种新型 AI，它不仅仅是“绘制”解决方案，而是“雕塑”解决方案。通过教会 AI 关于扩展和收缩形状（形态学）的基本规则，该模型能够以一种既高度准确又计算高效的方式修复由光线引起的失真。它弥合了 AI 的速度与构建世界上最微小计算机芯片所需的几何精度之间的差距。

MorphOPC 技术摘要：通过多尺度分层形态学习推进掩模优化

问题陈述
随着半导体特征尺寸缩小至纳米级，由于光学衍射和工艺变化，将电路图形从光刻掩模精确转移到硅晶圆上变得日益困难。光学邻近效应修正（OPC）是用于补偿这些失真的标准技术。虽然传统的基于模型的 OPC 和逆光刻技术（ILT）能提供高精度，但由于需要重复的前向 - 后向模拟和迭代优化循环，它们在整片应用中的计算成本过高。

最近的机器学习（ML）方法，如 GAN-OPC、DAMO 和 Neural-ILT，已作为加速掩模生成的快速代理模型出现。然而，这些生成模型通常依赖于对布局到掩模映射的统计学习。它们往往无法捕捉准确掩模优化所需的显式几何推理。例如，特定的几何构型（例如需要锤头延伸的尖端对尖端图案，或需要衬线修正的 L 形拐角）需要分析局部几何上下文的解析理解，而不仅仅是统计模式匹配。现有的 ML 模型往往产生次优掩模，因为它们缺乏对这些形状依赖变换进行建模的可解释框架。

方法论
为了解决纯统计生成模型的局限性，作者提出了MorphOPC，这是一种将掩模生成表述为一系列学习到的形态学操作的新方法。

形态学抽象：核心见解在于，OPC 修正可以被视为将边缘段向内或向外位移，这直接对应于数学形态学操作：腐蚀（缩小特征）和膨胀（扩大特征）。MorphOPC 不是手动设计结构元素（SEs），而是直接从卷积特征图中学习自适应的、非平面的 SEs 以及这些操作的系数。
神经形态学模块：该架构引入了一个 MorphBasic 块，用可学习的 max-plus 和 min-plus 代数运算替代了标准的卷积聚合。这些模块利用每通道可学习的结构表面（ $w_c$ ）和偏置项（ $\beta_c$ ）来执行膨胀和腐蚀。一个可学习的门控机制动态地平衡每个通道的膨胀和腐蚀贡献。
多尺度分层学习：认识到光刻需要同时建模局部几何基元（边缘、拐角）和非局部图案交互，作者引入了一个 MultiScaleMorph 模块。该模块将特征通道分割成组（ $s$ ），并通过分层残差框架处理它们。每个组采用具有不同核大小（例如 3x3 和 5x5）的形态学块，使网络能够捕捉具有不同感受野大小的特征。
架构：MorphOPC 将这些模块集成到标准的编码器 - 解码器结构中。编码器提取分层特征，这些特征由多尺度形态学模块进行细化。解码器通过跳跃连接融合几何细化的特征，重建高分辨率掩模。
训练策略：该模型采用两阶段训练过程。首先，对其进行预训练以最小化预测掩模与真实掩模之间的均方误差（MSE）。随后，使用结合光刻模拟器的 GAN 风格范式对其进行微调。生成器使用复合损失进行优化，该损失包括掩模重建误差、打印误差（模拟晶圆与目标之间的差异）以及用于增强真实性的对抗目标。

主要贡献

将掩模生成表述为形态学：本文将 OPC 问题表述为应用于局部布局图案的学习到的膨胀和腐蚀操作的组合，为几何变换提供了一个可解释的框架。
MorphOPC 架构：作者提出了一种多尺度分层架构，将可微分的形态学模块集成到编码器 - 解码器框架中，使网络能够学习自适应的结构元素和上下文相关的操作组合。
性能与泛化：大量实验表明，MorphOPC 在多个基准测试（GAN-OPC、LithoBench、MaskOpt）中实现了最先进的（SOTA）性能，并且与现有的基于学习的 OPC 方法相比，表现出对未见过的复杂设计图案的优越泛化能力。

实验结果
作者在多个数据集上将 MorphOPC 与最先进的基于学习的基线（GAN-OPC、DAMO、Neural-ILT、CFNO）和基于优化的方法（MultiILT、CurvyILT）进行了评估：

基准性能：在 GAN-OPC、LithoBench（MetalSet 和 ViaSet）以及 MaskOpt 数据集上，MorphOPC 始终实现了最低的 $\ell_2$ 误差（打印保真度），并具有竞争力的边缘放置误差（EPE）和工艺变化带（PVB）。例如，在 MaskOpt EBOPC 任务上，与 GAN-OPC 相比，MorphOPC 将 $\ell_2$ 误差降低了 18.7%，与 DAMO 相比降低了 8.5%。
泛化能力：在 ICCAD 2013 基准测试（未见过的布局）的测试中，MorphOPC 表现出稳健的泛化能力，实现了最低的 $\ell_2$ 误差和曝光次数（Shot count），同时保持了具有竞争力的 PVB，优于那些在复杂图案上往往遭受高错误率的基线方法。
消融研究：移除形态学模块或多尺度分层结构会导致性能显著下降，证实了几何推理和多尺度特征提取的必要性。
效率：在保持优越掩模质量的同时，MorphOPC 保留了 ML 方法的速度优势，运行时间在 $10^{-2}$ 到 $10^{-1}$ 秒的数量级，远快于基于优化的 OPC（需要数秒）。此外，当用于初始化基于优化的 OPC 时，MorphOPC 提供了最有效的起点，产生了最佳的最终打印质量。

意义
本文声称，MorphOPC 代表了重大进步，它弥合了机器学习的速度与准确掩模优化所需的几何严谨性之间的差距。通过嵌入与基本光刻行为（膨胀和收缩）一致的可微分形态学操作，该模型确保了掩模优化不仅在计算上高效，而且具有可解释性。结果表明，MorphOPC 作为传统 OPC 方法在大规模工业设计流程中的可扩展、高保真代理具有强大的潜力，有效地平衡了打印保真度与可制造性（低曝光次数）。