リソグラフィ最適化のための適応型強化学習：次世代半導体製造向けのスケーラブルなAI駆動ソリューション

より小さいチップ、より大きな課題

我々のスマートフォンやノートパソコン、データセンターで使われるチップは年々、幅がわずか数ナノメートルの特徴を刻むようになっています。このスケールでは、パターン化された「ステンシル」を通して光を当ててシリコン上に回路を描くという手法が、もはや単純で予測可能な振る舞いを示しません。パターンはぼやけ、歪み、微小なフォーカスや光強度の変化で変わり、歩留まりを脅かしてコストを押し上げます。本論文は、Adaptive Reinforcement Learning for Lithography Optimization（ARLO）と呼ばれる新しい人工知能駆動の手法を提案します。これは業界が5ナノメートル以下に踏み込む際にも、製造の精度、速度、コスト効率を維持することを目的としたものです。

現在のチップ印刷法

現代のチップはリソグラフィを用いて作られます。パターン化されたマスク越しに光を投影し、感光性コーティングを施したシリコンウェハ上に像を作るプロセスです。理想的には、ウェハ上の像は意図した回路図と一致しますが、実際には光の回折、近接する形状の相互作用、コーティング中の化学反応などが複雑に作用します。これらを補うために、エンジニアはマスクを事前に歪ませ、最終的にウェハ上に正しいパターンが現れるようにします。従来の方法、たとえば光学近接補正（OPC）やより高度な逆リソグラフィ技術（ILT）は、この問題を慎重に調整された数学的課題として扱います：望ましいパターンが与えられたとき、それを再現するマスクを計算する。これらの手法は非常に高精度ですが、フルチップ規模になると計算が著しく遅く高コストになりがちで、製造が難しい微細な断片で埋まったマスクを生成することもあります。

従来手法が直面する壁

極端紫外線（EUV）リソグラフィで用いられる光の波長より特徴が小さくなるにつれ、小さな誤差が大きな問題になります。標準的な技術はレイアウトの小さなタイルごとに多くの反復計算を必要とし、数十万のタイルにわたって繰り返されると主要なボトルネックになります。また、極めて複雑なマスク形状を生み出しやすく、マスク作成時に電子線露光装置で書き込む小さな「ショット」の数が増え、時間とコストを押し上げます。さらに、実際の工場ではフォーカスや露光量が理想値からわずかにずれても機能するマスクが求められます。精度、頑健性、製造容易性のバランスを従来の手法で取るのはますます困難になっており、著者らはここにAI中心の新しい戦略の必要性があると論じています。

より良いリソグラフィマスクのためのAIコーチ

ARLOは機械学習からの二つの強力なアイデアを組み合わせることで問題に取り組みます。第一に、U-Netに類する画像処理ネットワークが、望ましい回路パターンを与えるとマスクの高速な初期推定を提供します。このネットワークは多数の例で学習され、密集した配線領域や鋭い角などのグローバルなレイアウト文脈や典型的な補正を学びます。第二に、強化学習エージェントがコーチのように振る舞い、この初期マスクを繰り返し微調整して現実的なリソグラフィシミュレータでテストします。各ラウンドの後、エージェントは単一のスコアを受け取ります。このスコアは、印刷像の目標との近さ、フォーカスや露光量の変動下での安定性、エッジの整合性、マスクの製造上の複雑性といった複数の目標を混合したものです。良いトレードオフを報奨し、悪いものを罰することで、エージェントは少数のステップでマスクを改良するための戦略を学習します。

現実的なチップパターンでのテスト

ARLOが実験室の興味にとどまらないことを示すために、著者らはLithoBenchという大規模なオープンデータセットでベンチマークを行いました。これは高密度金属配線、層間の垂直接続、標準的なロジックパターンなど、異なる層にわたる現実的なチップ設計を模しています。EUV条件下で、ARLOは生成敵対ネットワーク（GAN）ベースのシステム、純粋な深層学習のU-Netモデル、以前の強化学習ベースのリソグラフィツールなど、いくつかの先進的手法と直接比較されました。数万枚のレイアウトタイルにわたって、ARLOは望ましい像と印刷像の不一致を一貫して低減し、プロセス変化による変動の幅を縮小しました。重要なのは、これらの改善が現代のグラフィックスプロセッサ上でタイル当たり数百分の一秒程度の実行時間で達成されており、フルチップ適用が実用的な時間内で現実的であることを示唆している点です。

トレードオフと将来のチップへの影響

ARLOは全てを一度に最適化するわけではありません：その生成するマスクはより詳細になる傾向があり、マスク板に書き込む必要のある特徴の数が増えます。しかし、この増えた複雑さは、ウェハ上の像が大幅に鮮明でより信頼性の高いものになるという見返りをもたらします。本手法は印刷強度の誤差を3分の1以上削減し、プロセス変動への感度を主要な既存手法と比較して半分以上削減します。それらを実現しつつ、計算は工場に適した範囲に収まっています。非専門家にとっての結論は、ARLOが物理ベースのシミュレータと連携するスマートでフィードバック駆動のAIの活用により、リソグラフィをさらに前進させ得ることを示しており、半導体産業がコストや設計時間を爆発的に増やすことなくトランジスタの微細化を続けられる手助けとなる、という点です。

引用: 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

キーワード: 計算リソグラフィ, 半導体製造, 強化学習, フォトマスク最適化, 極端紫外線リソグラフィ