基于多任务深度学习与合成图案生成的光刻热点检测增强方法

《IEEE Open Journal of the Computer Society》：Enhanced Lithographic Hotspot Detection via Multi-Task Deep Learning With Synthetic Pattern Generation

本文针对先进集成电路制造中光刻热点检测面临的"从未见过"热点识别困难和难分类图案误报率高等挑战，提出了一种创新的多任务深度学习框架。研究团队通过早期设计空间探索的合成图案生成方法扩充训练数据，构建兼具分类与定位功能的多任务卷积神经网络，并采用自适应损失函数平衡检测精度与误报率。实验结果显示，该方法在ICCAD-2019基准数据集上实现了98.5%的检测准确率和仅1.2%的误报率，在TNSB热点检测上提升22%，HTC图案误报减少5倍，为IC设计阶段的良率优化提供了有效解决方案。

　　

随着集成电路特征尺寸的不断缩小，光刻工艺面临的挑战日益严峻。在芯片制造过程中，某些布局区域容易产生制造缺陷，这些区域被称为"光刻热点"。传统的热点检测方法如光刻仿真和基于规则的图案匹配，不仅计算量大，而且难以识别新型热点图案。虽然机器学习方法展现出潜力，但在检测"真正从未见过"的热点和降低"难分类图案"误报率方面仍存在明显不足。

针对这些挑战，来自德克萨斯大学达拉斯分校的研究团队在《IEEE Open Journal of the Computer Society》上发表了一项创新研究，提出了一种结合合成图案生成和多任务深度学习的新框架。该研究旨在解决现有方法在泛化能力和误报控制方面的局限性，为早期设计阶段的制造良率优化提供更可靠的解决方案。

研究人员采用了三项关键技术方法：首先，基于早期设计空间探索的合成图案生成方法，通过参数化设计规则和受控随机行走算法创建多样化训练数据；其次，设计多任务卷积神经网络架构，同时处理热点分类和定位任务；最后，开发自适应损失函数，动态平衡不同检测目标。研究使用ICCAD-2019基准数据集和自主生成的10万幅合成图案进行验证。

实验结果验证了该方法的卓越性能。在整体性能方面，该方法达到了98.5%的准确率和1.2%的误报率，显著优于传统CNN、特征张量和光刻感知机器学习等方法。特别值得注意的是，在TNSB热点检测率上实现了78.6%的优异表现，比最佳基线方法提升4.8%。

合成数据的有效性通过对比实验得到证实。加入合成数据后，模型收敛速度加快，TNSB热点检测率提升3.2%。通过统计分析显示，合成图案在特征密度、线宽分布等关键指标上与真实布局高度吻合，模式复杂度评分相差仅0.03。

在HTC图案处理上，该方法表现出显著优势，准确率达到84.2%，误报率降至14.8%，相比最佳基线方法分别提升8.4%和降低7.3%。消融研究进一步证实了各组件贡献：基础CNN达到96.8%准确率，加入合成数据后提升至97.6%，多任务学习带来98.1%的准确率，最终结合自适应损失函数实现最佳性能。

定位性能分析显示，该方法在热点精确定位方面表现突出，平均交并比达到0.856，平均精度为0.912。可视化结果展示了模型在真实IC布局中准确识别潜在制造问题的能力，如金属线间距过近导致的夹断风险、孤立多晶硅特征的关键尺寸变化等。

鲁棒性测试模拟了实际制造中的各种变异情况，包括边缘粗糙度、局部形变、工艺变异和离焦效应。结果表明，在中等扰动水平下，模型仍能保持95%以上的准确率和低于3%的误报率，显示出良好的实用稳定性。

在计算效率方面，虽然该方法相比基础CNN增加了约22%的推理时间和35%的训练时间，但这一代价换来了检测性能的显著提升。模型展现出良好的可扩展性，在处理千万级元素的布局时推理时间仍能控制在100毫秒以内。

迁移学习实验进一步证明了该方法的泛化能力。在先进节点数据集上，经过微调的模型准确率达到97.8%，TNSB热点检测率提升14.5%，表明该方法能够快速适应新的制造工艺和设计规则。

该研究的创新之处在于将合成图案生成、多任务学习和自适应优化有机结合，有效解决了光刻热点检测中的关键挑战。通过EDSE方法生成的合成图案不仅增加了训练数据的多样性，还提高了模型对未知热点模式的识别能力。多任务架构通过共享特征表示同时优化分类和定位目标，而自适应损失函数则确保了不同检测目标之间的平衡优化。

这项研究对集成电路设计制造领域具有重要意义。首先，它提供了一种在早期设计阶段快速准确检测光刻热点的方法，有助于减少后期设计修改的成本和时间。其次，该方法对TNSB热点的高检测率意味着对新型布局模式更好的适应性，能够应对不断演进的制造挑战。此外，低误报率特性使得设计人员能够更专注于真正的制造问题，提高设计优化效率。

从技术发展角度看，该研究为机器学习在电子设计自动化中的应用提供了新思路。合成数据生成方法可扩展到其他设计验证任务，多任务学习框架也能应用于不同的检测和分类问题。自适应优化机制则为平衡多目标机器学习任务提供了可行方案。

未来研究方向包括将该框架与现有DFM工具集成，开发可解释AI组件以增强结果的可信度，以及适应3D IC设计等新兴技术。此外，探索持续学习能力和跨工艺泛化能力也将是重要的研究课题。

总之，这项研究通过创新的多任务深度学习框架，显著提升了光刻热点检测的性能和实用性，为先进集成电路的制造良率优化提供了有效工具，对促进半导体技术的发展具有积极意义。