AI 赋能半导体:OPC、ILT 与缺陷预测的智能化加速(系列第三篇 )

《AI 赋能半导体：从算法到工艺的智能化革命》第三篇

摘要

EUV 光刻系统的成像机理包含光源、反射镜、像差补偿以及光刻胶化学反应等复杂多物理过程，ILT/OPC 设计空间呈指数级增长，使传统数值求解难以满足先进工艺对速度和精度的双重要求。深度学习通过“layout→成像”的映射学习、物理约束网络、GNN/UNet 结构与 RL 优化策略，可在 hotspot 检测、成像仿真、OPC/ILT 加速、工艺窗口预测、随机效应建模等方面显著提升效率。本篇系统阐述 AI 在光刻中的算法机制、工程价值与未来趋势。

# 1. 光刻的本质：从“复杂多物理仿真”到“可学习的函数逼近”

光刻成像模型可抽象为：

其中：

layout：mask 图案
optics：光学系统参数（NA、照明、偏振）
process：光刻胶、显影、化学反应、etch bias

g(·) 是一个高度复杂、维度极高的“黑盒”函数。传统 ILT/OPC 通过数值仿真求解 g(·) 或其导数，代价极高。

而深度学习可以用一个模型：

逼近真实的 g(·)，使光刻流程从：

★
数值仿真为主 → 数据驱动为主数小时 → 毫秒级

# 2. ILT（反向光刻技术）与 OPC 为什么如此耗时？

2.1 光刻成像模型复杂度解释

光学成像积分公式：

其中：

(P)：掩膜功率谱
(H)：光学传递函数 OTF
(G)：光刻胶与显影模型

EUV 下还要考虑：

多次反射像差
mask 3D 效应
photon shot noise
resist stochastic chemistry

因此传统仿真在多尺度上都非常耗时。

2.2 ILT 的数学形式（严格）

目标是找到 mask，使其成像最接近 target：

其中：

(R)：规则化（最小特征尺寸、边缘平滑等）

ILT = 高维优化 + PDE 仿真 + 不规则约束，难点巨大。

2.3 OPC 的本质是局部几何补偿

对于简单 1D 结构，OPC 补偿可以是线性映射：

但 2D / 3D 图形下 MEEF 非线性极强，需大量仿真。

# 3. AI 如何加速 ILT/OPC？（核心贡献）

AI 的基本思想：

★
用神经网络提供瞬时成像预测，并在优化 loop 中替代光刻仿真。

3.1 AI surrogate model：layout → aerial image/CD

网络结构：UNet / ResNet / Swin Transformer

输入：

mask 图像 patch（64×64 或 128×128）

输出：

aerial image 或 CD map

训练目标：

产业结果：

精度：1–3 nm
速度：100×–1000× 加速

可构成 ILT/OPC 的“快速内核”。

3.2 AI-assisted ILT（智能 ILT）算法流程

AI 在 ILT 的三个关键步骤中提供加速：

Step 1：智能初始 mask 生成

传统 ILT 随机初始化 → 收敛慢。

AI 直接预测一个较优初始 mask：

减少 50%–80% 迭代次数。

Step 2：AI surrogate 替代仿真求导

ILT 需反复调用成像仿真：

现在：

节省大量计算时间。

Step 3：AI 预测梯度方向（Gradient Prediction）

传统梯度：

AI 提供：

即“学习如何优化 mask”。

3.3 效果总结

技术	传统	AI 加持后
成像仿真	耗时（10–100 ms / patch）	毫秒级（1–2 ms）
ILT	数小时	秒级–分钟级
OPC	数十分钟	数秒–数十秒
Mask 平滑与 DOF 优化	依赖人工	自动化决策

AI 是当前 ILT 工业落地的核心推动力。

# 4. 光刻热点检测：工业界最成熟的 AI 应用

4.1 任务定义

热点检测 = 二分类问题：

其中：

(y=1)：hotspot
(y=0)：非 hotspot

4.2 卷积网络（CNN）方法

CNN 输入局部 patch，提取：

邻近效应
图形密度
拐角干扰
线条 pitch

训练方式：

准确率可达：

95%+（DNN）
98%+（ResNet/UNet）

速度可达实时。

4.3 Transformer Vision 用于热点检测

Swin Transformer 结构：

局部自注意力（window）
跨 window 的层次化信息
对多尺度 pattern 高敏感性

更适合 EUV 下的复杂 patterns。

4.4 图神经网络（GNN）处理布局拓扑

将 layout 转换为图 (G=(V,E))：

(V)：线段、多边形
(E)：邻近、重叠关系

GNN 得到的表示：

优势：

旋转/平移不变
表达能力比 CNN 强
对 rule-based case 泛化更好

# 5. AI 协助工艺窗口（PW）预测：秒级搜索 DOF

工艺窗口由 Dose（D） 与 Focus（F） 决定。

传统方法：

扫描 D-F 网格 → 仿真成像 → 得到 CD 曲线
耗时极长

AI surrogate：

可实现：

秒级扫描 100×100 的 DOF 网格
自动寻找最佳曝光条件
预测 MEEF：

帮助光刻机台快速调参。

# 6. EUV 随机效应（stochastic）建模：AI 带来突破

EUV 的光子统计噪声导致：

missing holes
stochastic bridge
LER（line edge roughness）

AI 模型可以直接预测缺陷概率：

可用于：

随机缺陷风险预估
layout robustness 评估
stochastic-aware OPC

全球光刻设备商 ASML 正重点投入该方向。

# 7. 光刻参数反演（Inverse Lithography）AI 化

逆问题：

已知曝光结果 (I)，求 mask：

AI decoder 结构可以直接输出较优解，用于：

mask 缺陷修复
自适应 OPC
光刻胶参数拟合
etch bias 反推

这是下一代智能 OPC 的核心技术。

# 8. 工业落地案例与趋势

8.1 ASML 的 AI 光刻路线

在 Twinscan 光刻机中嵌入 AI 模型
工艺窗口预测
故障诊断与预测

8.2 台积电 TSMC 的 hotspot AI 系统

使用 GNN+CNN 结合
强调可解释性与生产环境鲁棒性

8.3 Synopsys / Cadence 的 AI OPC 引擎

融合代理模型与 ILT pipeline
将 OPC 速度提升约 1–2 个数量级

# 9. AI × 光刻的未来：Towards AI-native Lithography

下一代光刻系统的趋势非常明确：

1）AI 代理模型成为光刻仿真的默认内核

加速 100× 以上。

2）ILT/OPC 全流程自动化：Auto-Lithography

工程师负责定义目标，AI 完成交付。

3）EUV 随机效应模型将完全由 AI 驱动

4）光刻与版图 co-optimization（LDO）由 AI 实现

即：

5）AI-native Lithography Stack

未来的光刻流程将类似如下架构：

Layout → AI Litho Core → Mask / OPC → PW Optimizer → Exposure

AI 将成为光刻系统的默认“知识引擎”。

# 10. 总结

AI 正在重新定义光刻系统的计算方式：

代理模型加速 OPC/ILT
CNN/GNN/Transformer 提升 hotspot 检测
工艺窗口预测几乎实时化
EUV 随机效应建模有重大突破潜力
光刻仿真将从“物理计算为主”向“AI为核心”转型

在 EUV 工艺难度不断攀升的背景下，AI 已成为下一代光刻不可或缺的加速器。

👉 下一篇预告（第四篇）

★
AI 在晶圆缺陷检测中的应用：从 Autoencoder 到 Transformer Vision 的工业级解决方案