Adaptiv förstärkningsinlärning för litografisk optimering: en skalbar AI-driven lösning för nästa generations halvledartillverkning

Mindre chip, större utmaningar

Varje år förlitar sig våra telefoner, bärbara datorer och datacenter på kretsar med strukturer som är bara några miljarder delar av en meter breda. På dessa skalor slutar det att vara enkelt och förutsägbart att bara projicera ljus genom en mönstrad "stencil" för att rita kretsar på kisel. Mönstren blir suddiga, förvrängs och förändras vid små skiften i fokus eller ljusintensitet, vilket hotar avkastningen och ökar kostnaderna. Denna artikel presenterar en ny AI-driven metod, kallad Adaptive Reinforcement Learning for Lithography Optimization (ARLO), utformad för att hålla chipproduktion exakt, snabb och prisvärd när industrin pressar sig under 5-nanometersgränsen.

Hur chip trycks idag

Moderna chip tillverkas med litografi, en process som projicerar ljus genom en mönstrad mask på en ljuskänslig beläggning på en kiselplatta. I idealfallet matchar bilden på wafer den avsedda kretsritningen. I verkligheten diffrakterar ljuset, närliggande former påverkar varandra och kemikalierna i beläggningen reagerar på komplexa sätt. För att kompensera för detta förvränger ingenjörer masken i förväg så att slutbilden på wafer blir rätt efter alla dessa effekter. Traditionella metoder, såsom Optical Proximity Correction och mer avancerad Inverse Lithography Technology, behandlar detta som ett noggrant ställt matematiskt problem: givet ett önskat mönster, beräkna masken som kommer att producera det. Dessa tillvägagångssätt kan vara mycket precisa men blir plågsamt långsamma och beräkningsmässigt dyra för hela chip, och de producerar ofta masker fyllda med små fragment som är kostsamma att tillverka.

Varför konventionella metoder når en gräns

När funktionerna krymper under våglängden av det ljus som används i extrem ultraviolett litografi, blir små fel stora problem. Standardtekniker kräver många iterativa beräkningar för varje liten ruta i layouten, och när dessa upprepas över hundratusentals rutor blir det en betydande flaskhals. De kan också generera extremt intrikata maskformer, vilket ökar antalet små "skott" som ett elektronstråleverktyg måste skriva vid framställning av masken, och därigenom ökar tid och kostnad. Samtidigt behöver fabriker masker som fortfarande fungerar även om fokus eller exponering avviker något från idealinställningarna. Att balansera noggrannhet, robusthet och tillverkningsbarhet med äldre verktyg blir allt svårare, och här hävdar författarna att en ny AI-centrerad strategi behövs.

En AI-coach för bättre litografimasker

ARLO angriper problemet genom att kombinera två kraftfulla idéer från maskininlärning. För det första ger ett U‑Net-liknande bildbehandlingsnätverk en snabb utgångsgissning för masken, givet det önskade kretsmönstret. Detta nätverk tränas på många exempel så att det lär sig typiska korrigeringar och global layoutkontext, såsom täta ledningsregioner och skarpa hörn. För det andra agerar en förstärkningsinlärningsagent som en coach som upprepade gånger finjusterar denna initiala mask och testar den i en realistisk litografisimulator. Efter varje omgång får agenten en enda poäng som blandar flera mål: hur nära den tryckta bilden ligger målet, hur stabil den förblir vid fokus- och dosvariationer, hur väl kanter stämmer överens och hur komplex masken är att tillverka. Genom att belöna goda avvägningar och bestraffa dåliga lär sig agenten en strategi för att förfina masker på ett fåtal steg.

Testning på realistiska chipmönster

För att visa att ARLO är mer än en laboratoriecuriositet testade författarna den på LithoBench, en stor öppen datamängd som efterliknar realistiska chipdesigner över olika lager: täta metallledningar, vertikala förbindelser mellan lager och standardlogikmönster. Under förhållanden för extrem ultraviolett jämförs ARLO direkt med flera ledande metoder, inklusive system baserade på generativa adversariala nätverk, rena djupinlärnings‑U‑Net‑modeller och tidigare litografiverktyg baserade på förstärkningsinlärning. Över tiotusentals layoutrutor minskar ARLO konsekvent mismatchen mellan önskad och tryckt bild och krymper variationsintervallet orsakat av processförändringar. Viktigt är att dessa vinster uppnås med en per-ruta körtid på bara några hundradels sekunder på en modern grafikprocessor, vilket antyder att tillämpning på hela chip inom praktiska tidsgränser är realistisk.

Avvägningar och vad detta betyder för framtida chip

ARLO optimerar inte allt på en gång: dess masker tenderar att vara mer detaljerade, vilket ökar antalet funktioner som måste skrivas på maskplattan. Denna ökade komplexitet ger dock väsentligt skarpare och mer tillförlitliga wafermönster. Metoden minskar fel i den tryckta intensiteten med mer än en tredjedel och halverar känsligheten för processvariationer med god marginal jämfört med framträdande befintliga tillvägagångssätt, samtidigt som beräkningen hålls inom fabriksvänliga gränser. För en icke-specialist är slutsatsen att ARLO visar hur en smart, återkopplingsdriven AI kan samarbeta med fysikbaserade simulatorer för att driva litografin längre och hjälpa halvledarindustrin att fortsätta krympa transistorer utan en explosion i kostnader eller designtid.

Citering: 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

Nyckelord: beräkningslitografi, halvledartillverkning, förstärkningsinlärning, fotomaskoptimering, extrem ultraviolett litografi