Adaptief reinforcement learning voor lithografie-optimalisatie: een schaalbare door AI aangedreven oplossing voor next-generation halfgeleiderfabricage

Kleinere chips, grotere uitdagingen

Ieder jaar vertrouwen onze telefoons, laptops en datacenters op computerchips met kenmerken die slechts enkele miljardsten van een meter breed zijn. Op die schaal stopt het eenvoudigweg laten schijnen van licht door een patroon—als een soort sjabloon—om circuits op silicium te tekenen met voorspelbaar gedrag. Patronen vervagen, vervormen en veranderen bij kleine verschuivingen in focus of lichtintensiteit, wat de opbrengst bedreigt en de kosten verhoogt. Dit artikel presenteert een nieuwe door kunstmatige intelligentie aangedreven methode, Adaptive Reinforcement Learning for Lithography Optimization (ARLO), ontworpen om chipfabricage nauwkeurig, snel en betaalbaar te houden nu de industrie onder de 5-nanometergrens duikt.

Hoe chips tegenwoordig worden afgedrukt

Moderne chips worden gemaakt met lithografie, een proces waarbij licht door een geëtst masker op een lichtgevoelige coating op een siliciumwafer wordt geprojecteerd. In het ideale geval komt het beeld op de wafer overeen met het beoogde circuitontwerp. In de praktijk diffracteert licht, beïnvloeden nabije vormen elkaar en reageren de chemicaliën in de coating op complexe manieren. Om dit te compenseren vervormen engineers het masker vooraf, zodat na al deze effecten het waferpatroon alsnog klopt. Traditionele methoden, zoals Optical Proximity Correction en meer geavanceerde Inverse Lithography Technology, beschouwen dit als een zorgvuldig afgestemd wiskundig probleem: gegeven een gewenst patroon, bereken het masker dat dat patroon zal opleveren. Deze benaderingen kunnen zeer nauwkeurig zijn, maar worden pijnlijk traag en rekenkundig duur voor volledige chips en produceren vaak maskers vol kleine fragmenten die duur zijn om te fabriceren.

Waarom conventionele methoden tegen grenzen aanlopen

Naarmate kenmerken kleiner worden dan de golflengte van het licht gebruikt in extreme ultravioletlithografie, worden kleine fouten grote problemen. Standaardtechnieken vereisen vele iteratieve berekeningen voor elk klein tegelstuk van de lay-out, en wanneer dit herhaald wordt over honderden duizenden tegels vormt dat een grote bottleneck. Ze kunnen ook extreem ingewikkelde maskervormen genereren, wat het aantal kleine 'shots' dat een elektronenbundelapparaat moet schrijven bij het maken van het masker vergroot, en zo tijd en kosten verhoogt. Tegelijkertijd hebben fabrieken maskers nodig die nog steeds goed werken als focus of belichting licht afwijken van de ideale instellingen. Het balanceren van nauwkeurigheid, robuustheid en maakbaarheid met oudere hulpmiddelen wordt steeds moeilijker, en hier betogen de auteurs dat een nieuwe AI-centrische strategie nodig is.

Een AI-coach voor betere lithografiemaskers

ARLO pakt het probleem aan door twee krachtige ideeën uit machine learning te combineren. Ten eerste levert een U‑Net-achtige beeldverwerkingsnetwerk een snelle beginpoging voor het masker, gegeven het gewenste circuitpatroon. Dit netwerk wordt getraind op veel voorbeelden zodat het typische correcties en globale lay-outcontext leert, zoals dichtbebouwde bedrading en scherpe hoeken. Ten tweede fungeert een reinforcement-learning-agent als een coach die dit initiële masker herhaaldelijk bijstelt en test in een realistische lithografiesimulator. Na elke ronde ontvangt de agent een enkele score die meerdere doelen combineert: hoe nauwkeurig het geprinte patroon overeenkomt met het doel, hoe stabiel het blijft bij focus- en dosisvariaties, hoe goed randen uitlijnen en hoe complex het masker is om te fabriceren. Door goede afwegingen te belonen en slechte te bestraffen, leert de agent een strategie om maskers in een klein aantal stappen te verfijnen.

Testen op realistische chip-patronen

Om te bewijzen dat ARLO meer is dan een laboratoriumcuriositeit, hebben de auteurs het vergeleken op LithoBench, een grote open dataset die realistische chipontwerpen nabootst over verschillende lagen: dichte metalen bedrading, verticale verbindingen tussen lagen en standaard logische patronen. Onder extreme ultravioletcondities is ARLO rechtstreeks vergeleken met meerdere toonaangevende methoden, waaronder systemen gebaseerd op generative adversarial networks, puur deep-learning U‑Net-modellen en eerdere reinforcement-learning-gebaseerde lithografietools. Over tienduizenden lay-outtegels vermindert ARLO consequent de mismatch tussen gewenste en geprinte beelden en verkleint het de variatie door procesveranderingen. Belangrijk is dat deze verbeteringen gepaard gaan met een per-tegel runtijd van slechts enkele honderdsten van een seconde op een moderne grafische processor, wat suggereert dat toepassing op volledige chips binnen praktische tijdslimieten realistisch is.

Afwegingen en wat dit betekent voor toekomstige chips

ARLO optimaliseert niet alles tegelijk: zijn maskers neigen naar meer detail, wat het aantal kenmerken dat op de maskerplaat moet worden geschreven vergroot. Deze extra complexiteit betaalt zich echter uit in aanzienlijk scherpere en betrouwbaardere waferpatronen. De methode vermindert de fout in de geprinte intensiteit met meer dan een derde en verkleint de gevoeligheid voor procesvariatie met ruim de helft vergeleken met prominente bestaande benaderingen, terwijl de berekening binnen fabrieksvriendelijke grenzen blijft. Voor niet‑specialisten is de kernboodschap dat ARLO laat zien hoe een slim, feedbackgestuurd AI-systeem samen met fysica-gebaseerde simulatoren lithografie verder kan brengen, en de halfgeleiderindustrie helpt transistors te blijven verkleinen zonder een explosie van kosten of ontwerptijd.

Bronvermelding: 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

Trefwoorden: computationele lithografie, halfgeleiderfabricage, reinforcement learning, fotomaskeroptimalisatie, extreme ultravioletlithografie