Litoğrafi optimizasyonu için uyarlanabilir pekiştirmeli öğrenme: yeni nesil yarı iletken üretimi için ölçeklenebilir, yapay zeka destekli bir çözüm

Daha Küçük Çipler, Daha Büyük Zorluklar

Her yıl telefonlarımız, dizüstü bilgisayarlarımız ve veri merkezlerimiz, birkaç milyarıncı metre genişliğindeki özelliklere sahip çiplere dayanıyor. Bu ölçeklerde, devreleri silikona çizmek için desenli bir "şablon" üzerinden ışık tutmak artık basit ve öngörülebilir davranmıyor. Desenler bulanıklaşıyor, bozuluyor ve odak ya da ışık yoğunluğundaki çok küçük kaymalarla değişiyor; bu da verimi tehdit ediyor ve maliyeti artırıyor. Bu makale, ARLO (Adaptive Reinforcement Learning for Lithography Optimization) adı verilen, çip üretimini endüstri 5 nanometrenin altına inerken doğru, hızlı ve uygun maliyetli tutmak için tasarlanmış yeni bir yapay zeka destekli yöntemi tanıtıyor.

Çipler Bugün Nasıl Basılıyor

Modern çipler, desenli bir maskeden geçen ışığın silikon bir levha üzerindeki ışığa duyarlı bir kaplamaya projeksiyonuyla yapılan litoğrafi kullanılarak üretiliyor. İdeal olarak, levhadaki görüntü amaçlanan devre çizimiyle eşleşir. Gerçekte ise ışık kırınıyor, yakın şekiller etkileşiyor ve kaplamadaki kimyasallar karmaşık biçimlerde tepki veriyor. Telafi etmek için mühendisler, tüm bu etkilerden sonra levha deseninin doğru çıkması amacıyla maskeyi önceden bozuyor. Optik Yakınlık Düzeltmesi ve daha gelişmiş Ters Litoğrafi Teknolojisi gibi geleneksel yöntemler bunu dikkatle ayarlanmış bir matematik problemi olarak ele alıyor: istenen bir desen verildiğinde, bunu üretecek maskeyi hesaplamak. Bu yaklaşımlar çok hassas olabiliyor ama tüm çipler için yavaşlıyor ve hesaplama açısından pahalı hale geliyor; ayrıca üretimi maliyetli küçük parçalara ayrılmış maskeler üretebiliyorlar.

Geleneksel Yöntemlerin Neden Sınırı Var

Aşırı ultraviyole litoğrafide kullanılan ışığın dalga boyunun altına inerken, küçük hatalar büyük baş ağrılarına dönüşüyor. Standart teknikler, düzenlemenin her küçük karesi için birçok yinelemeli hesaplama gerektiriyor ve yüz binlerce karede tekrarlandığında büyük bir darboğaza dönüşüyor. Ayrıca son derece karmaşık maske şekilleri üretebiliyorlar; bu da maskeyi yaparken elektron demeti tabancasının yazması gereken küçük "vuruş" sayısını artırıyor ve zamanı ile maliyeti yükseltiyor. Aynı zamanda, fabrikalar ideal ayarlardan hafifçe uzaklaşan odak veya pozlama sapmalarına karşı hâlâ işe yarayan maskelere ihtiyaç duyuyor. Doğruluk, dayanıklılık ve üretilebilirlik dengesini eski araçlarla sağlamak giderek zorlaşıyor ve yazarların savunduğu üzere burada yeni, yapay zeka merkezli bir strateji gerekiyor.

Daha İyi Litoğrafi Maskeleri için Bir Yapay Zeka Koçu

ARLO, makine öğrenmesinden iki güçlü fikri birleştirerek problemi ele alıyor. Birincisi, istenen devre desenine dayanarak maskeye hızlı bir başlangıç tahmini sağlayan U‑Net tarzı bir görüntü işleme ağıdır. Bu ağ, tipik düzeltmeleri ve yoğun tel bölgeleri ya da keskin köşeler gibi küresel düzen bağlamını öğrenmesi için çok sayıda örnek üzerinde eğitiliyor. İkincisi, pekiştirmeli öğrenme ajanı, bu ilk maskeyi tekrar tekrar ince ayar yapan ve gerçekçi bir litoğrafi simülatöründe test eden bir koç gibi davranıyor. Her turdan sonra ajan, basılı desenin hedefe ne kadar yakın olduğu, odak ve doz değişiklikleri altında ne kadar kararlı kaldığı, kenarların ne kadar hizalandığı ve maskenin üretim karmaşıklığı gibi birkaç hedefi harmanlayan tek bir puan alıyor. İyi ödüller ve kötü tercihler için cezalandırma vererek ajan, maskeleri birkaç adımda iyileştirmek için bir strateji öğreniyor.

Gerçekçi Çip Desenleri Üzerinde Test

ARLO'nun yalnızca laboratuvar merakı olmadığını kanıtlamak için yazarlar, farklı katmanlardaki gerçekçi çip tasarımlarını taklit eden büyük açık bir veri kümesi olan LithoBench üzerinde kıyaslama yaptılar: yoğun metal yollar, katmanlar arası dikey bağlantılar ve standart mantık desenleri. Aşırı ultraviyole koşullarında ARLO, üreten karşıt ağlara dayanan sistemler, yalnızca derin öğrenme U‑Net modelleri ve önceki pekiştirmeli öğrenme tabanlı litoğrafi araçları da dahil olmak üzere birkaç önde gelen yöntemle kafa kafaya karşılaştırıldı. On binlerce düzen karesi boyunca ARLO, istenen ve basılan görüntüler arasındaki uyumsuzluğu tutarlı biçimde azaltıyor ve süreç değişikliklerinden kaynaklanan varyasyon aralığını daraltıyor. Önemli olarak, bu kazançlar modern bir grafik işlemcide her kare için yalnızca birkaç yüzde saniye çalışma süresiyle geliyor; bu da tüm çip uygulamasının pratik zaman sınırları içinde gerçekçi olduğuna işaret ediyor.

Takasılar ve Bu Ne Anlama Geliyor

ARLO her şeyi aynı anda optimize etmiyor: maskeleri genellikle daha ayrıntılı oluyor ve maske plakasına yazılması gereken özellik sayısını artırıyor. Ancak bu ek karmaşıklık, levha desenlerinde önemli ölçüde daha keskin ve daha güvenilir sonuçlar veriyor. Yöntem, basılan yoğunluktaki hatayı üçte birin üzerinde azaltıyor ve işlem değişkenliğine duyarlılığı önde gelen mevcut yaklaşımlara kıyasla yarıdan fazla oranda düşürüyor; tüm bunlar hesaplamayı fabrika-dostu sınırlar içinde tutarken gerçekleşiyor. Uzman olmayan birine özetle söylemek gerekirse, ARLO, akıllı ve geribildirim odaklı bir yapay zekânın fizik temelli simülatörlerle birlikte çalışarak litoğrafiyi daha ileri taşıyabileceğini; bu sayede yarı iletken endüstrisinin transistörleri küçültmeye devam etmesine yardımcı olurken maliyet veya tasarım süresinde patlamayı önleyebileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: hesaplamalı litoğrafi, yarı iletken üretimi, pekiştirmeli öğrenme, fotomask optimizasyonu, aşırı ultraviyole litoğrafi