用于光刻掩模重建的基于AI初始化的Level-Set反演方法

《Micro and Nanostructures》：AI-initialized level-set inversion for lithographic mask reconstruction

光刻掩模重建框架融合物理模型与深度学习，通过水平集逆建模、自适应时间步优化（Barzilai-Borwein与黄金分割搜索）及AI初始化提升精度，有效解决航空图像与实际掩模的匹配问题，并在亚分辨率辅助特征场景中显著优于传统方法，实现扫描电光衍射与实际晶圆CD变化的强关联（匹配斜率>0.8）。

　　随着半导体制造工艺的不断进步，特征尺寸逐渐缩小，使得精确的光掩模检测和晶圆级别的预测变得愈发困难。本文提出了一种基于光刻驱动的掩模重建框架，旨在从光掩模检测器获取的空中图像中推断出具有物理意义的掩模图案。该方法通过结合基于水平集的反向建模技术与自适应时间步长优化策略，如Barzilai–Borwein方法和黄金分割搜索法，确保了计算过程的高效性和稳定性。同时，为了克服水平集方法对初始化高度敏感的问题，引入了一种基于深度学习的模型，利用光刻相关的数据进行训练，生成更准确的初始水平集函数。此外，还采用了一种上采样技术，以解决像素分辨率的限制，提升掩模边缘的平滑度，同时不显著增加计算时间。

本文的框架不仅能够在光刻过程中模拟出精确的空中图像，还能够有效连接掩模检测器的观测与晶圆层面的行为预测。通过这种方式，可以更准确地评估掩模图像与实际晶圆性能之间的匹配程度，从而提高缺陷判定的可靠性。实验结果显示，所重建的掩模能够生成与检测器提供的空中图像高度一致的图像，且与传统侧瓣搜索方法相比，AI初始化方法在掩模重建的准确性和收敛速度方面表现出显著优势，特别是在涉及亚分辨率辅助特征（SRAFs）的复杂情况下。此外，晶圆级别的评估也显示，模拟出的CD（Critical Dimension）变化与实际测量值之间的匹配斜率均高于0.8，进一步验证了该方法在预测实际晶圆行为方面的有效性。

在掩模重建的过程中，关键在于如何将掩模的物理特性与图像的数学模型有效结合。传统的光刻方法在分辨率、保真度和工艺窗口控制方面面临挑战，尤其是在特征尺寸接近或低于曝光光源波长的情况下。为了解决这些问题，研究人员开发了多种分辨率增强技术，如光源掩模优化（SMT）、SRAFs和逆光刻技术（ILT）。这些技术在光刻过程中发挥着重要作用，帮助提高掩模设计的精确度和工艺的可控性。然而，随着光刻技术进一步向193纳米浸入式和极紫外（EUV）技术发展，模型的复杂度和数据量显著增加，对计算工具提出了更高的要求。

本文提出的框架则是在这种背景下的一种创新性解决方案。它采用了一种基于水平集的反向建模方法，能够从空中图像中直接推断出掩模图案。该方法的关键在于其物理可解释性，即在模拟过程中充分考虑了光刻系统的物理特性，确保重建的掩模能够准确反映实际的光刻行为。通过引入自适应时间步长策略，如Barzilai–Borwein方法和黄金分割搜索法，该框架能够在保证稳定性的前提下，提高计算效率，减少迭代次数，从而加快掩模重建过程。

此外，为了提高水平集方法的初始化精度，本文设计了一个基于深度学习的模型。该模型采用U-Net架构，通过在光刻相关的数据上进行训练，能够生成更接近最终解的初始水平集函数。这种AI驱动的初始化方法有效解决了传统水平集方法对初始条件依赖性强的问题，使得重建过程更加稳健和高效。通过与传统侧瓣搜索方法的对比实验，结果表明AI初始化方法在识别和捕捉SRAFs方面具有显著优势，特别是在SRAFs在空中图像中不可见的情况下。

为了进一步提升掩模的分辨率，本文还引入了一种上采样技术。在水平集演化过程中，掩模的分辨率受到像素网格的限制。通过将水平集函数上采样到更高的分辨率，可以有效改善掩模边缘的平滑度和空间精度，从而提高模拟结果的准确性。上采样过程并不显著增加计算时间，这使得该方法在实际应用中更具可行性。

实验结果表明，该框架在多个关键指标上表现出色。首先，模拟出的空中图像与检测器提供的图像高度一致，验证了框架在重建掩模方面的有效性。其次，通过对比Barzilai–Borwein方法和黄金分割搜索法，发现两者在计算效率和重建精度之间存在权衡。黄金分割搜索法虽然计算时间较长，但能够提供更高的重建精度，而Barzilai–Borwein方法则在速度上有明显优势。AI初始化方法在多个测试案例中均表现出优于侧瓣搜索法的性能，特别是在处理复杂的SRAFs时。最后，晶圆级别的评估显示，所重建的掩模能够生成与实际测量值高度一致的CD变化，进一步证明了该方法在实际应用中的可靠性。

该框架的成功应用表明，结合物理建模、AI初始化和自适应优化策略，可以在复杂光刻条件下实现高效、准确的掩模重建。这种方法不仅能够提高掩模检测和修复的精度，还能够加速整个流程，减少计算时间，从而满足现代半导体制造对高精度和高效性的双重需求。此外，该框架的可扩展性使其适用于各种先进的光刻流程，为未来的工艺改进和优化提供了有力支持。通过这种方式，掩模检测器和晶圆层面的行为预测之间建立起更紧密的联系，为半导体制造的各个环节提供了更精确的数据支持。