التعلّم التعزيزي التكيفي لتحسين الليثوغرافيا: حل قائم على الذكاء الاصطناعي وقابل للتوسيع لتصنيع أشباه الموصلات من الجيل التالي

رقائق أصغر، تحديات أكبر

كل عام تعتمد هواتفنا وحواسيبنا ومراكز البيانات على رقائق كمبيوتر تحتوي ميزات محفورة بعرض بضعة أجزاء من البليون من المتر فقط. عند هذه المقاييس، التنبؤ بسلوك عملية تسليط الضوء عبر «قالب» منقوش لرسم الدوائر على السليكون يصبح صعباً وغير قابل للتبسيط. الأنماط تتوهّم وتتشوّه وتتغير مع تحركات طفيفة في التركيز أو شدة الضوء، ما يهدد غلة التصنيع ويزيد التكلفة. تعرض هذه الورقة طريقة جديدة مدفوعة بالذكاء الاصطناعي تُسمّى التعلّم التعزيزي التكيفي لتحسين الليثوغرافيا (ARLO)، صُمِّمت للحفاظ على دقة وسرعة وتكلفة معقولة لتصنيع الرقائق مع تقدم الصناعة تحت عتبة 5 نانومتر.

كيف تُطبع الرقائق اليوم

تُصنع الرقائق الحديثة باستخدام الليثوغرافيا، وهي عملية تُسقط الضوء عبر قناع منقوش على طلاء حساس للضوء على رقاقة السيليكون. في أفضل الأحوال، تتطابق الصورة على الرقاقة مع المخطط المقصود للدائرة. في الواقع، ينحرف الضوء بفعل الحيود، وتتفاعل الأشكال المجاورة، وتستجيب المواد الكيميائية في الطلاء بطرق معقّدة. لتعويض ذلك، يقوم المهندسون بتشويه القناع مسبقاً بحيث تتيح هذه التأثيرات الخروج بنمط صحيح على الرقاقة. الأساليب التقليدية، مثل تصحيح التقارب البصري وتقنيات الليثوغرافيا العكسية المتقدمة، تتعامل مع هذه المسألة كمسألة رياضية مضبوطة بعناية: بالنظر إلى نمط مرغوب، احسب القناع الذي سيُنتجه. يمكن أن تكون هذه الطرق دقيقة جداً لكنها تصبح بطيئة ومكلفة حسابياً عند التطبيق على رقائق كاملة، وغالباً ما تولّد أقنعة محشوة بشظايا دقيقة يصعب تصنيعها وتكلف كثيراً.

لماذا تواجه الطرق التقليدية سقفاً

مع تقلص الميزات إلى ما دون طول موجة الضوء المستخدم في الليثوغرافيا فوق البنفسجية القصوى، تصبح الأخطاء الصغيرة مصدر متاعب كبير. تتطلب التقنيات التقليدية عدداً كبيراً من الحسابات التكرارية لكل بلاطة صغيرة من التخطيط، وعند تكرار ذلك عبر مئات الآلاف من البلاطات، يتحول الأمر إلى عنق زجاجة رئيسي. كما قد تولّد هذه الأساليب أشكال أقنعة معقّدة جداً، ما يزيد عدد «الطرقات» الصغيرة التي يجب أن يكتبها جهاز شعاع الإلكترون عند صنع القناع، موفراً وقتاً وتكلفة أكبر. في الوقت نفسه، تحتاج المصانع إلى أقنعة تظل فعّالة حتى لو انحرفت التركيز أو الجرعة قليلاً عن الإعدادات المثالية. إن موازنة الدقة والصلابة وقابلية التصنيع باستخدام الأدوات القديمة تزداد صعوبة، وهنا يجادل المؤلفون بأن استراتيجية جديدة مركزة على الذكاء الاصطناعي ضرورية.

مدرّب ذكاء اصطناعي لأقنعة ليثوغرافيا أفضل

يتناول ARLO المشكلة من خلال دمج فكرتين قويتين من تعلّم الآلة. أولاً، شبكة معالجة صور على غرار U‑Net توفّر تخمينًا سريعًا مبدئيًا للقناع، بالنظر إلى نمط الدائرة المرغوب. تُدرَّب هذه الشبكة على أمثلة كثيرة بحيث تتعلم التصحيحات النمطية وسياق التخطيط العام، مثل مناطق الأسلاك الكثيفة والزوايا الحادة. ثانياً، يعمل وكيل التعلّم التعزيزي كمدرّب يعدّل هذا القناع الابتدائي مراراً ويختبره في محاكي ليثوغرافيا واقعي. بعد كل جولة، يتلقى الوكيل درجة واحدة تجمع عدة أهداف: مدى تقارب النمط المطبوع من الهدف، ومدى استقراره تحت تغيّرات التركيز والجرعة، ومدى توافق الحواف، ومدى تعقيد القناع من حيث التصنيع. بمكافأة الموازنات الجيدة ومعاقبة السيّئة، يتعلم الوكيل استراتيجية لتنقيح الأقنعة في عدد قليل من الخطوات.

الاختبار على أنماط شرائح واقعية

لإثبات أن ARLO أكثر من فضول مختبري، قيّم المؤلفون أداءه على LithoBench، مجموعة بيانات مفتوحة كبيرة تحاكي تصميمات شرائح واقعية عبر طبقات مختلفة: توصيلات معدنية كثيفة، وصلات رأسية بين الطبقات، وأنماط منطقية قياسية. في ظروف الأشعة فوق البنفسجية القصوى، قورن ARLO مباشرةً مع عدة طرق رائدة، بما في ذلك أنظمة مبنية على شبكات تنافسية توليدية، ونماذج U‑Net عميقة بحتة، وأدوات ليثوغرافيا قائمة على التعلّم التعزيزي الأقدم. عبر عشرات الآلاف من بلاطات التخطيط، يقلّل ARLO باستمرار التباين بين الصور المرغوبة والمطبوعة ويضيق نطاق التغيّر الناتج عن تغيرات العملية. والأهم من ذلك أن هذه المكاسب تتحقق بزمن تشغيل لكل بلاطة لا يتجاوز بضعة أجزاء من المئة من الثانية على معالج رسوميات حديث، مما يشير إلى أن التطبيق على رقائق كاملة ضمن حدود زمنية عملية أمر واقعي.

المقايضات وما يعنيه ذلك للرقائق المستقبلية

لا يقوم ARLO بتحسين كل شيء دفعة واحدة: تميل أقنعته إلى أن تكون أكثر تفصيلاً، مما يزيد عدد الميزات التي يجب كتابتها على لوح القناع. ومع ذلك، فإن هذا التعقيد الإضافي يؤتي ثماره في أشكال رقائق أكثر حدة وموثوقية. تخفض الطريقة الخطأ في شدة الطباعة بأكثر من ثُلث وتقلّل الحساسية لتغيرات العملية بأكثر من النصف مقارنةً بالنهج البارزة القائمة، بينما تبقي الحساب ضمن حدود مناسبة للمصانع. للمختص غير المتعمق، الخلاصة أن ARLO يبيّن كيف يمكن لذكاء اصطناعي ذكي قائم على التغذية الراجعة أن يعمل جنباً إلى جنب مع محاكيات مبنية على الفيزياء لدفع حدود الليثوغرافيا، ممكّناً لصناعة أشباه الموصلات الاستمرار في تصغير الترانزستورات دون انفجار في التكلفة أو زمن التصميم.

الاستشهاد: Rashid, U., Shafique, F., Atif, H. et al. Adaptive reinforcement learning for lithography optimization: a scalable AI-driven solution for next-generation semiconductor manufacturing. Sci Rep 16, 13589 (2026). https://doi.org/10.1038/s41598-026-43555-z

الكلمات المفتاحية: الليثوغرافيا الحاسوبية, تصنيع أشباه الموصلات, التعلّم التعزيزي, تحسين قناع الطباعة, الليثوغرافيا بالأشعة فوق البنفسجية القصوى