Aprendizado por reforço adaptativo para otimização de litografia: uma solução escalável orientada por IA para a fabricação de semicondutores de próxima geração

Chips menores, desafios maiores

Cada ano, nossos telefones, laptops e centros de dados dependem de chips com características gravadas com apenas alguns bilionésimos de metro de largura. Nessas escalas, simplesmente projetar luz através de um “estêncil” padronizado para desenhar circuitos no silício deixa de se comportar de forma simples e previsível. Os padrões ficam borrados, distorcidos e mudam com pequenas variações de foco ou intensidade de luz, ameaçando o rendimento e elevando os custos. Este artigo apresenta um novo método orientado por inteligência artificial, chamado Aprendizado por Reforço Adaptativo para Otimização de Litografia (ARLO), projetado para manter a fabricação de chips precisa, rápida e acessível à medida que a indústria avança abaixo da fronteira dos 5 nanômetros.

Como os chips são impressos hoje

Chips modernos são fabricados usando litografia, um processo que projeta luz através de uma máscara padronizada sobre um revestimento fotossensível em uma pastilha de silício. Idealmente, a imagem na pastilha corresponde ao desenho do circuito pretendido. Na prática, a luz difrata, formas próximas interagem e os químicos no revestimento reagem de maneiras complexas. Para compensar, os engenheiros pré-distorcem a máscara para que, após todos esses efeitos, o padrão na pastilha saia correto. Métodos tradicionais, como Correção de Proximidade Óptica e tecnologias inversas de litografia mais avançadas, tratam isso como um problema matemático cuidadosamente ajustado: dado um padrão desejado, calcule a máscara que o produzirá. Essas abordagens podem ser muito precisas, mas se tornam dolorosamente lentas e computacionalmente caras para chips inteiros, e frequentemente geram máscaras preenchidas com fragmentos minúsculos que são caros de fabricar.

Por que os métodos convencionais estão chegando a um limite

À medida que as características encolhem abaixo do comprimento de onda da luz usada na litografia em ultravioleta extremo, pequenos erros tornam-se grandes dores de cabeça. Técnicas padrão exigem muitos cálculos iterativos para cada pequeno bloco do layout e, quando repetidos em centenas de milhares de blocos, transformam-se em um gargalo importante. Elas também podem gerar formas de máscara extremamente intrincadas, o que aumenta o número de pequenos “shots” que uma ferramenta de feixe de elétrons precisa escrever ao fabricar a máscara, elevando tempo e custo. Ao mesmo tempo, as fábricas precisam de máscaras que ainda funcionem mesmo se foco ou exposição se desviarem ligeiramente de suas configurações ideais. Equilibrar precisão, robustez e fabricabilidade com ferramentas antigas é cada vez mais difícil, e é aí que os autores defendem a necessidade de uma nova estratégia centrada em IA.

Um treinador de IA para máscaras de litografia melhores

ARLO aborda o problema combinando duas ideias poderosas de aprendizado de máquina. Primeiro, uma rede de processamento de imagem no estilo U‑Net fornece um palpite inicial rápido para a máscara, dado o padrão de circuito desejado. Essa rede é treinada em muitos exemplos para aprender correções típicas e contexto global do layout, como regiões de fiação densa e cantos acentuados. Segundo, um agente de aprendizado por reforço age como um treinador que ajusta repetidamente essa máscara inicial e a testa em um simulador de litografia realista. Após cada rodada, o agente recebe uma única pontuação que combina vários objetivos: quão próximo o padrão impresso está do alvo, quão estável ele se mantém sob variações de foco e dose, quão bem as bordas se alinham e quão complexa é a máscara para fabricar. Ao recompensar bons trade-offs e penalizar os ruins, o agente aprende uma estratégia para refinar máscaras em um pequeno número de passos.

Testes em padrões de chip realistas

Para demonstrar que ARLO é mais que uma curiosidade de laboratório, os autores o compararam no LithoBench, um grande conjunto de dados aberto que imita desenhos realistas de chips em diferentes camadas: fiação metálica densa, conexões verticais entre camadas e padrões lógicos padrão. Em condições de ultravioleta extremo, ARLO foi comparado frente a frente com vários métodos de ponta, incluindo sistemas baseados em redes adversariais generativas, modelos U‑Net puramente de aprendizado profundo e ferramentas de litografia anteriores baseadas em aprendizado por reforço. Ao longo de dezenas de milhares de blocos de layout, ARLO reduz consistentemente a discrepância entre as imagens desejadas e as impressas e diminui a gama de variação causada por mudanças de processo. Importante: esses ganhos vêm com um tempo de execução por bloco de apenas algumas centésimos de segundo em um processador gráfico moderno, sugerindo que a aplicação em chip inteiro dentro de limites de tempo práticos é realista.

Compromissos e o que isso significa para chips futuros

ARLO não otimiza tudo de uma vez: suas máscaras tendem a ser mais detalhadas, aumentando o número de características que devem ser gravadas na placa da máscara. Entretanto, essa complexidade adicional compensa-se em padrões de pastilha significativamente mais nítidos e confiáveis. O método reduz o erro na intensidade impressa em mais de um terço e corta a sensibilidade à variação de processo em bem mais da metade quando comparado com abordagens existentes proeminentes, tudo isso mantendo a computação dentro de limites compatíveis com as fábricas. Para um não especialista, a conclusão é que ARLO mostra como uma IA inteligente e orientada por feedback pode trabalhar ao lado de simuladores baseados em física para avançar a litografia, ajudando a indústria de semicondutores a continuar encolhendo transistores sem uma explosão de custos ou tempo de projeto.

Citação: 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

Palavras-chave: litografia computacional, fabricação de semicondutores, aprendizado por reforço, otimização de fotomáscara, litografia em ultravioleta extremo