Aprendizaje por refuerzo adaptativo para la optimización de litografía: una solución escalable impulsada por IA para la fabricación de semiconductores de próxima generación

Chips más pequeños, desafíos mayores

Cada año, nuestros teléfonos, portátiles y centros de datos dependen de chips con características talladas de solo unos pocos millonésimos de milímetro de ancho. A estas escalas, simplemente proyectar luz a través de una "plantilla" con patrón para dibujar circuitos sobre silicio deja de comportarse de forma fácil y predecible. Los patrones se desenfocan, se distorsionan y cambian con pequeñas variaciones en el enfoque o la intensidad de la luz, poniendo en riesgo el rendimiento y encareciendo la producción. Este artículo presenta un nuevo método impulsado por inteligencia artificial, llamado Aprendizaje por Refuerzo Adaptativo para la Optimización de Litografía (ARLO), diseñado para mantener la fabricación de chips precisa, rápida y asequible a medida que la industria avanza por debajo de la frontera de 5 nanómetros.

Cómo se imprimen los chips hoy

Los chips modernos se fabrican mediante litografía, un proceso que proyecta luz a través de una máscara con patrón sobre un recubrimiento fotosensible en una oblea de silicio. En el mundo ideal, la imagen en la oblea coincide con el dibujo de circuito deseado. En la práctica, la luz difracta, las formas cercanas interactúan y los químicos del recubrimiento responden de maneras complejas. Para compensar, los ingenieros pre-distorsionan la máscara para que, tras todos estos efectos, el patrón en la oblea resulte correcto. Los métodos tradicionales, como la Corrección de Proximidad Óptica y tecnologías más avanzadas de Litografía Inversa, tratan esto como un problema matemático finamente ajustado: dado un patrón objetivo, calcular la máscara que lo producirá. Estos enfoques pueden ser muy precisos, pero se vuelven dolorosamente lentos y costosos en cómputo para chips completos, y a menudo generan máscaras llenas de fragmentos minúsculos que son caros de fabricar.

Por qué los métodos convencionales están alcanzando un límite

A medida que las características se reducen por debajo de la longitud de onda utilizada en litografía de ultravioleta extremo, los pequeños errores se convierten en grandes problemas. Las técnicas estándar requieren muchos cálculos iterativos para cada pequeña tesela del diseño y, cuando se repiten en cientos de miles de teselas, se transforman en un cuello de botella importante. También pueden generar formas de máscara extremadamente intrincadas, lo que aumenta el número de pequeños "disparos" que una herramienta de haz de electrones debe escribir al fabricar la máscara, incrementando tiempo y coste. Al mismo tiempo, las fábricas necesitan máscaras que sigan funcionando aunque el enfoque o la exposición se desvíen ligeramente de los ajustes ideales. Equilibrar precisión, robustez y capacidad de fabricación con herramientas antiguas es cada vez más difícil, y es aquí donde los autores sostienen que se necesita una nueva estrategia centrada en IA.

Un entrenador de IA para mejores máscaras de litografía

ARLO aborda el problema combinando dos ideas potentes del aprendizaje automático. Primero, una red de procesamiento de imágenes de estilo U‑Net proporciona una conjetura inicial rápida para la máscara, dada la disposición del circuito deseado. Esta red se entrena con muchos ejemplos para que aprenda correcciones típicas y el contexto global del diseño, como regiones de cableado denso y esquinas afiladas. Segundo, un agente de aprendizaje por refuerzo actúa como un entrenador que ajusta repetidamente esta máscara inicial y la prueba en un simulador de litografía realista. Tras cada ronda, el agente recibe una única puntuación que combina varios objetivos: cuán cerca queda el patrón impreso del objetivo, qué tan estable se mantiene ante variaciones de enfoque y dosis, qué tan bien alinean los bordes y qué complejidad tiene la máscara para manufacturarse. Al recompensar buenos equilibrios y penalizar los malos, el agente aprende una estrategia para refinar máscaras en un pequeño número de pasos.

Pruebas sobre patrones de chips realistas

Para demostrar que ARLO es más que una curiosidad de laboratorio, los autores lo evaluaron en LithoBench, un gran conjunto de datos abierto que imita diseños de chips realistas en distintas capas: cableado metálico denso, conexiones verticales entre capas y patrones lógicos estándar. En condiciones de ultravioleta extremo, ARLO se compara directamente con varios métodos punteros, incluidos sistemas basados en redes generativas adversarias, modelos U‑Net puramente de aprendizaje profundo y herramientas anteriores de litografía basadas en aprendizaje por refuerzo. A lo largo de decenas de miles de teselas de diseño, ARLO reduce de forma consistente la discordancia entre las imágenes deseadas e impresas y disminuye el rango de variación causado por cambios en el proceso. De manera importante, estas mejoras vienen con un tiempo de ejecución por tesela de solo unas pocas centésimas de segundo en un procesador gráfico moderno, lo que sugiere que la aplicación a chips completos dentro de límites de tiempo prácticos es realista.

Compromisos y qué significa esto para los chips del futuro

ARLO no optimiza todo a la vez: sus máscaras tienden a ser más detalladas, aumentando el número de características que deben escribirse en la placa de la máscara. Sin embargo, esta complejidad añadida compensa con patrones en oblea significativamente más nítidos y fiables. El método reduce el error en la intensidad impresa en más de un tercio y corta la sensibilidad a la variación del proceso en más de la mitad en comparación con enfoques existentes destacados, todo ello manteniendo el cómputo dentro de límites compatibles con las fábricas. Para un lector no especialista, la conclusión es que ARLO muestra cómo una IA inteligente y orientada por retroalimentación puede trabajar junto a simuladores basados en la física para impulsar la litografía, ayudando a la industria de semiconductores a seguir reduciendo transistores sin una explosión de costes o tiempo de diseño.

Cita: 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

Palabras clave: litografía computacional, fabricación de semiconductores, aprendizaje por refuerzo, optimización de fotomáscaras, litografía de ultravioleta extremo