Adaptacyjne uczenie ze wzmocnieniem do optymalizacji litografii: skalowalne rozwiązanie napędzane AI dla produkcji półprzewodników nowej generacji

Mniejsze układy, większe wyzwania

Co roku nasze telefony, laptopy i centra danych opierają się na układach scalonych z elementami wyciętymi na zaledwie kilka miliardowych metra. Na tych skalach proste oświetlenie przez wzorzec („szablon”) przestaje zachowywać się w łatwy, przewidywalny sposób. Wzory ulegają rozmyciu, zniekształceniom i zmieniają się przy drobnych przesunięciach ostrości lub natężenia światła, co zagraża wydajności i podnosi koszty. W artykule przedstawiono nową metodę napędzaną sztuczną inteligencją, nazwaną Adaptacyjne Uczenie ze Wzmocnieniem dla Optymalizacji Litografii (ARLO), zaprojektowaną, by utrzymać produkcję układów skalną, szybką i przystępną cenowo, gdy branża przesuwa się poniżej granicy 5 nanometrów.

Jak dziś drukuje się układy

Nowoczesne układy wytwarza się przy użyciu litografii, procesu, który projektuje światło przez wzorzec na maskach na czułą na światło powłokę na krzemowej płytce. W idealnym świecie obraz na płytce odpowiada zamierzonemu rysunkowi obwodu. W rzeczywistości światło ulega dyfrakcji, sąsiednie kształty oddziałują ze sobą, a chemikalia w powłoce reagują w złożony sposób. Aby to skompensować, inżynierowie wstępnie zniekształcają maskę tak, by po uwzględnieniu wszystkich tych efektów wzór na płytce był poprawny. Tradycyjne metody, takie jak korekcja bliskości optycznej (Optical Proximity Correction) i bardziej zaawansowana Inverse Lithography Technology, traktują to jako starannie wyregulowany problem matematyczny: znając żądany wzór, oblicz maskę, która go wytworzy. Podejścia te mogą być bardzo precyzyjne, ale stają się uciążliwie powolne i kosztowne obliczeniowo dla całych chipów, a często generują maski wypełnione drobnymi fragmentami, które są kosztowne w produkcji.

Dlaczego konwencjonalne metody napotykają ograniczenia

Gdy elementy kurczą się poniżej długości fali używanego światła w litografii ekstremalnego ultrafioletu, drobne błędy stają się poważnym problemem. Standardowe techniki wymagają wielu iteracyjnych obliczeń dla każdej małej płytki układu, a powtarzane dla setek tysięcy płytek stają się istotnym wąskim gardłem. Mogą też generować niezwykle złożone kształty maski, co zwiększa liczbę drobnych „strzałów”, które narzędzie z wiązką elektronową musi zapisać podczas tworzenia maski, podnosząc czas i koszty. Równocześnie fabryki potrzebują masek, które będą działać, nawet jeśli ostrość lub dawka ekspozycji nieznacznie odbiegają od ustawień idealnych. Godzenie dokładności, odporności i możliwości produkcyjnych przy użyciu starszych narzędzi staje się coraz trudniejsze, i właśnie tu autorzy argumentują, że potrzebna jest nowa strategia skoncentrowana na AI.

AI jako trener lepszych masek litograficznych

ARLO rozwiązuje problem, łącząc dwie potężne idee z uczenia maszynowego. Po pierwsze, sieć przetwarzania obrazu w stylu U‑Net dostarcza szybkie wstępne przybliżenie maski na podstawie zamierzonego wzoru obwodu. Sieć ta jest trenowana na wielu przykładach, dzięki czemu uczy się typowych korekt i kontekstu układu, takiego jak gęste regiony okablowania i ostre narożniki. Po drugie, agent uczący się ze wzmocnieniem działa jak trener, który wielokrotnie poprawia tę początkową maskę i testuje ją w realistycznym symulatorze litograficznym. Po każdej rundzie agent otrzymuje pojedynczy wynik łączący kilka celów: jak blisko wydrukowany wzór jest do celu, jak stabilny pozostaje przy zmianach ostrości i dawki, jak dobrze wyrównane są krawędzie oraz jak złożona jest maska pod względem produkcji. Nagradzając dobre kompromisy i karząc złe, agent uczy się strategii udoskonalania masek w niewielu krokach.

Testy na realistycznych wzorach układów

Aby udowodnić, że ARLO to coś więcej niż ciekawostka laboratoryjna, autorzy porównali go na zestawie LithoBench, dużym otwartym zbiorze danych odzwierciedlającym realistyczne projekty układów dla różnych warstw: gęste okablowanie metaliczne, pionowe połączenia między warstwami oraz standardowe wzory logiczne. W warunkach ekstremalnego ultrafioletu ARLO zestawiono wprost z kilkoma wiodącymi metodami, w tym systemami opartymi na sieciach generatywnych przeciwników, czysto głębokimi modelami U‑Net i wcześniejszymi narzędziami litograficznymi opartymi na uczeniu ze wzmocnieniem. Na dziesiątkach tysięcy płytek układu ARLO konsekwentnie zmniejsza niedopasowanie między wzorem zamierzonym a wydrukowanym i ogranicza zakres zmienności spowodowanej zmianami procesu. Co ważne, te korzyści osiągane są przy czasie wykonania na płytkę rzędu zaledwie kilkudziesięciu setnych sekundy na nowoczesnym procesorze graficznym, co sugeruje, że zastosowanie dla całego chipu w praktycznych limitach czasowych jest realistyczne.

Kompromisy i co to oznacza dla przyszłych układów

ARLO nie optymalizuje wszystkiego jednocześnie: jego maski mają tendencję do większego detalu, co zwiększa liczbę cech, które trzeba zapisać na płytce maski. Jednak ta dodatkowa złożoność przekłada się na znacząco ostrzejsze i bardziej niezawodne wzory na waferze. Metoda redukuje błąd w wydrukowanej intensywności o ponad jedną trzecią i obniża wrażliwość na zmienność procesu o znacznie ponad połowę w porównaniu z wybitnymi istniejącymi podejściami, przy jednoczesnym utrzymaniu obliczeń w granicach akceptowalnych dla fabryk. Dla osoby niebędącej specjalistą najważniejszy wniosek jest taki, że ARLO pokazuje, jak inteligentne, sterowane sprzężeniem zwrotnym AI może współpracować z symulatorami opartymi na fizyce, aby przesunąć granice litografii, pomagając branży półprzewodników dalej zmniejszać tranzystory bez eksplozji kosztów czy czasu projektowania.

Cytowanie: 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

Słowa kluczowe: litografia obliczeniowa, produkcja półprzewodników, uczenie ze wzmocnieniem, optymalizacja maski fotolitograficznej, litografia w ekstremalnym ultrafiolecie