למידת חיזוק אדפטיבית לאופטימיזציה של ליתוגרפיה: פתרון מנוהל-בינה-מלאכותית מדרגי לייצור מוליכים למחצה בדור הבא

שבבים קטנים יותר, אתגרים גדולים יותר

בכל שנה, הטלפונים, המחשבים הניידים ומרכזי הנתונים שלנו מסתמכים על שבבים שבהם תכונות חרוטות ברוחב של כמה מיליארדיות המטר. בקנה מידה כזה, הקרנת אור דרך "סטנסיל" מיוחד לציור מעגלים על סיליקון מפסיקה להתנהג באופן פשוט וחזוי. הדפוסים מטושטשים, מעוותים ומשתנים בעקבות שינויים זעירים במוקד או בעוצמת האור — מה שמסכן תשואה ומעלה עלויות. מאמר זה מציג שיטה חדשה מונחית בינה מלאכותית, הנקראת Adaptive Reinforcement Learning for Lithography Optimization (ARLO), שנועדה לשמור על הייצור המדויק, המהיר והכלכלי של שבבים ככל שהתעשייה דוחפת מתחת לסף ה-5 ננומטר.

כיצד מדפיסים שבבים היום

שבבים מודרניים מיוצרים באמצעות ליתוגרפיה — תהליך שמקרין אור דרך מסכה מעוצבת על פני ציפוי רגיש לאור על פרוסת סיליקון. באופן אידיאלי, התמונה על הפרוסה תואמת את שרטוט המעגלים המיועד. במציאות, האור מתפזר בגלים, צורות סמוכות משפיעות זו על זו, והכימיקלים בציפוי מגיבים באופן מורכב. כדי לפצות על כך מהנדסים מעוותים מראש את המסכה כך שאחרי כל ההשפעות הללו הדפוס על הפרוסה יצא נכון. שיטות מסורתיות, כגון Optical Proximity Correction וטכניקות מתקדמות יותר של Inverse Lithography Technology, מטפלות בבעיה כבעיית מתמטיקה מכויילת בקפידה: נתון דפוס רצוי — חשב את המסכה שתייצר אותו. גישות אלו יכולות להיות מדויקות מאוד אך הופכות לאיטיות ומצריכות חישוב כבד לשבבים מלאים, ולעתים מפיקות מסכות מלאות בנתחים זעירים שקשה ויקר לייצר.

מדוע השיטות המקובלות נתקלות בקיר

ככל שהתכונות מתכווצות מתחת לאורך הגל של האור המשמש בליתוגרפיית EUV, שגיאות קטנות הופכות לבעיות גדולות. טכניקות סטנדרטיות דורשות חישובים איטרטיביים רבים עבור כל אריח קטן של הפריסה, וכאשר זה מופעל על מאות אלפי אריחים זה הופך לצוואר בקבוק משמעותי. הן עלולות גם לייצר צורות מסכה מורכבות מאוד, מה שמגביר את מספר ה"שוטים" הזעירים שעל כלי קרן-אלקטרונים לכתוב בעת יצירת המסכה, ומעלה זמן ועלות. במקביל, המפעלים צריכים מסכות שעובדות גם אם המוקד או החשיפה סטים מעט מההגדרות האידיאליות. לאזן בין דיוק, עמידות והיכולת לייצר עם הכלים הישנים נעשה קשה יותר — כאן המחברים טוענים שיש צורך באסטרטגיה חדשה שמרכזת בינה מלאכותית.

מאמן בינה מלאכותית למסכות ליתוגרפיה טובות יותר

ARLO מטפל בבעיה על ידי שילוב שתי רעיונות רבי-עוצמה מלמידת מכונה. ראשית, רשת עיבוד תמונה בסגנון U‑Net מספקת ניחוש התחלתי מהיר למסכה, בהתבסס על דפוס המעגל הרצוי. רשת זו מאומנת על דוגמאות רבות כדי ללמוד תיקונים טיפוסיים והקשר גלובלי של הפריסה, כמו אזורי חיווט צפופים ופינות חדה. שנית, סוכן למידת חיזוק פועל כמאמן שמזיז ומנסה שוב ושוב לתקן את המסכה הראשונית ובודק אותה בסימולטור ליתוגרפי ריאליסטי. לאחר כל סבב הסוכן מקבל ציון יחיד שמשלב כמה מטרות: עד כמה התבנית המודפסת תואמת את היעד, עד כמה היא נשארת יציבה תחת שינויים במוקד ובמינון, עד כמה הקצוות מיושרות היטב, וכמה מורכבת המסכה לייצור. על ידי תגמול איזונים טובים ועונש לאיזונים גרועים, הסוכן לומד אסטרטגיה לשיפור המסכות במספר קטן של צעדים.

בדיקות על דפוסי שבבים ריאליסטיים

כדי להראות ש-ARLO הוא יותר מסקרנות מעבדתית, המחברים בדקו אותו על LithoBench, סט נתונים פתוח גדול המדמה עיצובים שבבים ריאליסטיים בשכבות שונות: חיווט מתכתי צפוף, חיבורים אנכיים בין שכבות ודפוסי לוגיקה סטנדרטיים. בתנאי EUV, השוו את ARLO פנים אל פנים עם שורה של שיטות מובילות, כולל מערכות מבוססות רשתות GAN, דגמי U‑Net טהורים של למידה עמוקה וכלים קודמים מבוססי למידת חיזוק לליתוגרפיה. על פני עשרות אלפי אריחי פריסה, ARLO מקטין בצורה עקבית את האי-התאמה בין התמונה הרצויה לזו המודפסת ומצמצם את טווח השינוי הנגרם על ידי שינויים בתהליך. חשוב מכך, שיפורים אלה מושגים עם זמן ריצה לאריח של כמה מאיות השנייה בלבד על מעבד גרפי מודרני, מה שמרמז שיישום על שבב מלא במסגרת זמנים מעשית הוא ריאלי.

וויתורים ומה המשמעות לשבבים בעתיד

ARLO אינו מייעל את הכל בבת אחת: המסכות שלו נוטות להיות מפורטות יותר, מה שמגדיל את מספר האלמנטים שצריך לכתוב על לוח המסכה. עם זאת, המורכבות הנוספת הזו מניבה דפוסי פרוסה חדים ואמינים יותר. השיטה מקטינה את השגיאה בעוצמה המודפסת ביותר משליש וחותכת את הרגישות לשינויים בתהליך ביותר ממחצית בהשוואה לגישות בולטות קיימות, וכל זאת תוך שמירה על דרישות חישוביות שמתאימות למפעלים. למי שאינו מומחה, המסקנה היא ש-ARLO מראה כיצד בינה חכמה המונחית על ידי משוב יכולה לעבוד יחד עם סימולטורים מבוססי פיזיקה כדי לדחוף את יכולות הליתוגרפיה קדימה, ולאפשר לתעשיית המוליכים למחצה להמשיך להקטין טרנזיסטורים מבלי לגרום להתפוצצות בעלויות או זמן העיצוב.

ציטוט: 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

מילות מפתח: ליתוגרפיה חישובית, ייצור מוליכים למחצה, למידת חיזוק, אופטימיזציה של מסכות פוטו, ליתוגרפיה באור קיצוני-אולטרה (EUV)