Адаптивное обучение с подкреплением для оптимизации литографии: масштабируемое решение на базе ИИ для производства полупроводников следующего поколения

Меньше элементы, большие вызовы

С каждым годом наши телефоны, ноутбуки и центры обработки данных полагаются на микросхемы с элементами, вырезанными размером всего в несколько миллиардных долей метра. На таких масштабах простая проекция света через узорный «трафарет» для рисования схем на кремнии перестаёт вести себя просто и предсказуемо. Узоры размываются, искажаются и меняются при крошечных сдвигах фокуса или интенсивности света, что угрожает выходу годных изделий и повышает затраты. В этой статье предложён новый метод на базе искусственного интеллекта, названный Adaptive Reinforcement Learning for Lithography Optimization (ARLO), разработанный для того, чтобы производство микросхем оставалось точным, быстрым и доступным по мере продвижения отрасли за рубеж 5 нанометров.

Как сегодня печатают микросхемы

Современные микросхемы изготавливают с помощью литографии — процесса, при котором свет проецируют через узорный фотошаблон на светочувствительное покрытие на кремниевой пластине. В идеале изображение на пластине точно соответствует задуманному чертежу схемы. На практике свет дифрагирует, соседние формы взаимодействуют, а химия слоя реагирует сложным образом. Чтобы компенсировать это, инженеры предварительно искажают шаблон так, чтобы после всех этих эффектов на пластине получался правильный узор. Традиционные методы, такие как Optical Proximity Correction и более продвинутая Inverse Lithography Technology, рассматривают задачу как тщательно настроенную математическую проблему: для заданного желаемого узора вычислить шаблон, который его даст. Эти подходы могут быть очень точными, но становятся чрезвычайно медленными и ресурсоёмкими при применении к целым чипам, а часто они порождают шаблоны, заполненные мелкими фрагментами, которые дорого производить.

Почему традиционные методы упираются в предел

По мере того как размеры элементов уменьшаются ниже длины волны света, используемого в литографии с экстремальным ультрафиолетом, мелкие ошибки превращаются в серьёзные проблемы. Стандартные техники требуют множества итеративных расчётов для каждой маленькой плитки компоновки, и при повторении по сотням тысяч плиток это становится серьёзным узким местом. Они также могут создавать чрезвычайно сложные формы шаблона, что увеличивает число мелких «промахов» (shots), которые должен выписывать электронно‑лучевой инструмент при изготовлении шаблона, повышая время и затраты. В то же время фабрикам нужны шаблоны, которые продолжают работать даже при небольшом смещении фокуса или дозы света от идеальных настроек. Сбалансировать точность, устойчивость и пригодность для серийного производства старыми инструментами становится всё труднее, и авторы утверждают, что необходима новая стратегия, ориентированная на ИИ.

ИИ‑тренер для лучших литографических шаблонов

ARLO решает проблему, сочетая две мощные идеи машинного обучения. Во‑первых, сверточная сеть в стиле U‑Net даёт быстрое начальное предположение для шаблона по заданному рисунку схемы. Эта сеть обучается на множестве примеров, чтобы усвоить типичные поправки и глобальный контекст компоновки, такие как плотные участки проводки и острые углы. Во‑вторых, агент обучения с подкреплением действует как тренер, который многократно корректирует этот начальный шаблон и тестирует его в реалистичном литографическом симуляторе. После каждого раунда агент получает единую оценку, объединяющую несколько целей: насколько напечатанный узор соответствует цели, насколько стабилен он при варьировании фокуса и дозы, насколько хорошо совпадают края и насколько сложен шаблон в производстве. Вознаграждая хорошие компромиссы и штрафуя плохие, агент вырабатывает стратегию уточнения шаблонов за небольшое число шагов.

Тестирование на реалистичных шаблонах чипов

Чтобы показать, что ARLO — не просто лабораторное любопытство, авторы протестировали его на LithoBench, большой открытой базе данных, имитирующей реалистичные проекты чипов по разным слоям: плотная металлическая разводка, вертикальные соединения между слоями и типичные логические паттерны. При условиях экстремального ультрафиолета ARLO сравнивали в честном сопоставлении с несколькими ведущими методами, включая системы на основе генеративных состязательных сетей, чисто глубокие U‑Net‑модели и ранние инструменты литографии на основе обучения с подкреплением. По результатам десятков тысяч плиток компоновки ARLO последовательно уменьшал расхождение между желаемыми и напечатанными изображениями и сокращал диапазон вариаций, вызванных изменениями процесса. Важно, что эти улучшения достигаются при времени работы на плитку всего в несколько сотых секунды на современном графическом процессоре, что позволяет считать реалистичным применение к целым чипам в практических временных рамках.

Компромиссы и значение для будущих микросхем

ARLO не оптимизирует всё одновременно: его шаблоны склонны быть более детализированными, что увеличивает число элементов, которые необходимо выписать на плате шаблона. Однако эта повышенная сложность окупается значительно более чёткими и надежными узорами на пластинах. Метод сокращает ошибку в напечатанной интенсивности более чем на треть и уменьшает чувствительность к вариациям процесса более чем вдвое по сравнению с известными подходами, при этом сохраняя расчёты в пределах, приемлемых для фабрик. Для неспециалиста основной вывод таков: ARLO показывает, как умный ИИ с обратной связью в сочетании с физически обоснованными симуляторами может продвинуть литографию дальше, помогая индустрии полупроводников продолжать уменьшать транзисторы без взрывного роста затрат или времени проектирования.

Цитирование: 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

Ключевые слова: вычислительная литография, производство полупроводников, обучение с подкреплением, оптимизация фотошаблонов, литография с экстремальным ультрафиолетом