曹良才等Light | 人工智能赋能逆向光刻技术

半导体制造业的突破推动着智能电子设备的革新。随着摩尔定律的推进，光刻成为实现纳米级器件制造的关键技术。光刻系统通过减小曝光波长、增大数值孔径来提高分辨率，随着特征尺寸缩小，面临着技术瓶颈与成本压力。

计算光刻技术通过优化工艺因子提升分辨率。其中，逆向光刻技术凭借全局优化特性，备受学术界和产业界关注。近年来，人工智能技术的融合为逆向光刻带来了新突破，在光刻建模、掩模优化等环节发挥作用。

近日，来自清华大学的研究团队以“Advancements and challenges in inverse lithography technology: a review of artificial intelligence-based approaches”为题在国际光学顶尖期刊《Light: Science & Applications》发表论文，对人工智能驱动的逆向光刻技术进行综述。文章总结了逆向光刻技术的基本原理与发展历程，分析了人工智能技术在逆向光刻中的应用。文章指出了逆向光刻技术面临的挑战，并展望了发展方向。

本文的通讯作者为清华大学曹良才教授，第一作者为清华大学杨艺欣博士生。清华大学王琛副教授、刘珂瑄博士生和高云晖博士生对论文有重要贡献。

 计算光刻 

光刻工艺的主要步骤包括涂胶、前烘、曝光、后烘、显影、刻蚀、去胶和检测等（图1）。光刻曝光系统包括接触式、接近式和投影式，接触式曝光存在掩模污染和损伤问题，接近式曝光的精度受限于硅片平整度。1973年投影式光刻机问世，通过掩模图案的空间投影实现了图形转移。

图1：光刻工艺的主要步骤；投影式光刻系统。

光刻分辨率增强技术包括离轴照明、光学邻近效应修正、相移掩模等。计算光刻技术对光刻的成像过程建模，根据目标晶圆图形，计算优化照明光源和掩模设计（图2）。

图2：光刻的成像过程，根据光学参数预测晶圆图形。计算光刻的优化过程，根据目标晶圆图形，优化照明光源和掩模设计。

计算光刻发展主要阶段包括：基于规则的邻近效应修正、基于模型的邻近效应修正、逆向光刻技术（图3）。逆向光刻技术基于光刻系统模型，基于霍普金斯理论和传输交叉系数描述光学成像过程，通过梯度算法求解优化问题，使预测晶圆图形最大限度接近目标图形。

图3：计算光刻的发展历程，从未修正到基于规则的邻近效应修正、基于模型的邻近效应修正、再到逆向光刻技术。

 逆向光刻技术研究进展 

1981年，威斯康星大学麦迪逊分校的研究者提出像素级掩模优化方法。2003年，Luminescent Technologies公司实现逆向光刻的工业应用，随后英特尔等企业推动加速逆向光刻的商业化进程。2010年，正则化框架和共轭梯度等算法的引入，提升了逆向光刻的计算效率。2017年，深度学习技术的融合开启了逆向光刻发展的新阶段，阿斯麦等公司采用卷积神经网络加速优化流程，图形处理器GPU等平台促进了逆向光刻技术的应用。历经四十余年，逆向光刻从理论构想逐步发展为半导体制造的关键技术（图4）。

图4：逆向光刻技术的发展历程。

图5展示了逆向光刻的掩模优化结果。计算光刻中可以采用多种照明光源模式，包括传统照明、环形照明、四极照明以及水平/垂直方向的偶极照明。以目标图案THU作为输入掩模进行优化设计。可以看出，初始光刻胶图案在晶圆上表现出明显的光学邻近效应，导致图形特征失真。经过逆向光刻算法优化后，获得的掩模图案使光刻胶图形质量得到改善，图案保真度明显提升。在不同照明条件下，价值函数的收敛情况有所不同，展示了逆向光刻算法的有效性和稳定性。

图5：不同照明光源下的逆向光刻掩模优化结果。

 人工智能赋能逆向光刻技术 

人工智能技术为逆向光刻技术带来了新突破（图6）。光刻模型方面，数据驱动策略提升了厚掩模近场计算和光刻胶效应模拟的效率。基于卷积神经网络、生成对抗网络等深度学习模型，提升了掩模至晶圆图案的映射精度，在极紫外光刻中实现了媲美物理仿真的预测能力。人工智能技术的引入有效缓解了传统光刻建模方法精度与效率之间的权衡问题。

人工智能技术正在重构逆向光刻算法框架。研究人员开发出新型混合架构，通过将物理模型与神经网络融合，在保持光学系统物理一致性的同时，充分发挥数据学习的高效优势。生成式模型的引入促进了高保真掩模图案的快速生成，图神经网络等方法能有效处理布局设计中的复杂约束问题。人工智能驱动的逆向光刻技术提升了光刻系统的成像质量，逐步突破计算瓶颈，为逆向光刻在先进技术节点的应用奠定了基础。

图6：人工智能技术在逆向光刻中的应用。

机器学习技术的引入为光刻模拟提供了新思路，通过神经网络训练替代传统迭代过程，提升计算效率。深度学习凭借其在数据处理、特征提取和非线性预测方面的独特优势，发展出包括卷积神经网络CNN、生成对抗网络GAN和变分自编码器VAE在内的多种模型，应用于计算光刻领域（图7）。基于支持向量机和多层感知机方法可实现70%以上的优化时间缩减，同时保证成像质量。生成对抗网络和变分自编码器的应用，使掩模优化误差可降低10%左右，计算速度可提升50%。这些技术突破为半导体制造工艺中的热点检测、掩模优化等环节提供了高效的解决方案。

图7：生成对抗网络与变分自编码器在光刻优化中的应用。

传统深度学习方法存在网络设计复杂、物理可解释性不强等不足。模型驱动深度学习MDL通过融合物理模型与数据驱动方法，将光刻成像过程等物理规律作为先验知识嵌入网络设计，在保持数据驱动优势的同时，可以提升模型的物理一致性和可解释性（图8）。模型驱动深度学习能降低了对大规模标注数据的依赖，通过物理约束可保证输出结果符合物理规律，能够实现计算效率与成像保真度的同时提升。

图8：基于模型驱动深度学习的光刻优化方法。

 未来展望 

当前，逆向光刻技术仍面临诸多挑战（图9）。计算效率方面，逆向光刻技术相较于传统邻近效应修正耗时显著增加，目前主要用于局部热点修正。全芯片级优化需分割布局单元，这会导致边界拼接问题。掩模制造环节，电子束直写工艺尚未成熟，耗时较长，且需对曲线掩模进行曼哈顿化处理以满足制造规则。人工智能技术提升了光刻建模的精度和效率，但深度学习模型仍存在可解释性不足、数据依赖性强等局限。

未来，逆向光刻技术将聚焦人工智能融合、模型算法优化、掩模制造技术的协同创新（图9）。整合光刻成像模型与优化算法，结合图形处理器加速，提升计算效率。模型驱动深度学习通过嵌入物理约束，在保持深度学习算法优势的同时，增强物理一致性与可解释性。多束掩模写入技术将突破曲线掩模的制造瓶颈，实现分辨率与效率的提升。建立全自动掩模生成流程，开发多尺度物理模型融合框架，协同优化光源-掩模设计等，都将推动逆向光刻技术在先进集成电路制造中的发展。

图9：逆向光刻技术的挑战与展望。

  论文信息  

Yang, Y., Liu, K., Gao, Y. et al. Advancements and challenges in inverse lithography technology: a review of artificial intelligence-based approaches. Light Sci Appl 14, 250 (2025). 

https://doi.org/10.1038/s41377-025-01923-w