用于光刻优化的自适应强化学习：面向下一代半导体制造的可扩展 AI 驱动解决方案

更小的芯片、更大的挑战

每年，我们的手机、笔记本和数据中心都依赖于那些特征尺寸仅有数十亿分之一米的芯片。在这些尺度下，仅仅通过带图案的“模板”照射光线在硅片上绘制电路的做法不再呈现出简单、可预测的行为。图形会变模糊、发生畸变，并且对焦距或光强的微小变化非常敏感，威胁产率并推高成本。本文提出了一种新的人工智能驱动方法，称为用于光刻优化的自适应强化学习（ARLO），旨在在行业推进到 5 纳米以下节点时，保持芯片制造的精度、速度和经济性。

当今芯片的印制方式

现代芯片通过光刻工艺制造：将光线通过带图案的掩模投影到涂有感光材料的硅片上。理想情况下，硅片上的图像应与目标电路图一致。现实中，光会衍射、相邻形状相互作用，涂层中的化学反应也以复杂方式响应。为补偿这些效应，工程师会预先对掩模进行反向畸变，使得经过所有这些影响后，硅片上的图案能够正确成形。传统方法，如光学邻近校正（OPC）和更先进的逆光刻技术（ILT），把这视为一个精细调参的数学问题：给定期望图案，计算能产生该图案的掩模。这些方法可以非常精确，但在全芯片尺度上计算量会变得极其缓慢且昂贵，而且往往生成充满微小碎片的掩模，这些碎片制造成本高昂。

为何传统方法遇到瓶颈

当特征尺寸缩小到低于用于极紫外光刻的光波长时，小错误会放大成为重大问题。标准技术需要对布局的每个小块进行大量迭代计算，当在数十万块上重复时，会成为主要瓶颈。它们还可能产生极其复杂的掩模形状，增加电子束刻写掩模时所需的小“写入”次数，从而提升时间和成本。同时，工厂需要掩模在焦距或曝光量轻微漂移时仍能发挥作用。用旧有工具在精度、鲁棒性与可制造性之间取得平衡变得越来越困难，作者认为这正是需要以 AI 为中心的新策略的地方。

为更好光刻掩模提供的 AI 教练

ARLO 通过结合机器学习的两大重要思路来解决问题。首先，类似 U‑Net 的图像处理网络在给定目标电路图时，快速提供掩模的初始猜测。该网络通过大量样本训练，学习到典型的校正方式和全局布局语境，如密集走线区与锐角处的特征。其次，一个强化学习代理像教练一样，反复微调该初始掩模并在逼真的光刻仿真器中进行测试。每轮之后，代理会收到一个综合评分，该评分权衡多个目标：打印图案与目标的匹配度、在焦距与剂量变化下的稳定性、边缘对齐质量以及掩模的可制造复杂度。通过奖励良好权衡并惩罚不良取舍，代理学会在少量步骤内改进掩模的策略。

在真实芯片图案上的测试

为证明 ARLO 不只是实验室好奇心，作者在 LithoBench 上对其进行了基准测试——这是一个模拟不同层次真实芯片设计的大型公开数据集：包括密集金属互连层、层间垂直连接以及常见逻辑图案。在极紫外光条件下，ARLO 与若干领先方法进行了直接比较，包括基于生成对抗网络的系统、纯深度学习的 U‑Net 模型以及早期基于强化学习的光刻工具。在数万块布局瓦片上，ARLO 始终能降低期望与实际打印图像之间的不匹配并缩小由工艺变化引起的变异范围。重要的是，这些改进在现代图形处理器上的单瓦片运行时间仅为数百分之一秒，表明在实际时间限制内应用于全芯片是现实可行的。

折衷与对未来芯片的意义

ARLO 并非一刀切地同时优化所有指标：其生成的掩模往往更精细，增加了在掩模板上必须刻写的特征数量。然而，这种额外的复杂性在显著更清晰且更可靠的硅片图案中得到了回报。与现有重要方法相比，该方法将打印强度误差减少超过三分之一，并将对工艺变化的敏感性降低超过一半，同时保持计算量在工厂可接受的范围内。对非专业读者而言，结论是 ARLO 展示了如何让智能、基于反馈的 AI 与基于物理的仿真器协同工作，推动光刻技术向前发展，帮助半导体行业在不成倍增加成本或设计时间的情况下继续缩小晶体管尺寸。

引用: 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

关键词: 计算光刻, 半导体制造, 强化学习, 光掩模优化, 极紫外光刻