检测到您的浏览器版本过低,可能导致某些功能无法正常使用,建议升级您的浏览器,或使用推荐浏览器 Google Chrome 、Edge、Firefox 。 X

首页科技前沿与新兴产业新一代信息技术人工智能

AI与加速计算推动光刻和图形化发展

供稿人:杨莺歌供稿时间:2026-11-02 08:51:08关键词:AI,加速计算,光刻,图形化

光刻与图形化技术的进步,一直是逻辑和存储器件尺寸持续缩小的根本。多年来,比利时微电子研究中心(Interuniversity Microelectronics Centre,imec)与ASML及产业链各方伙伴合作,通过设计、材料、光刻工艺、掩模、光学邻近校正(OPC)、量测与检测的整体协同优化,取得了持续进展。光学光刻系统的分辨率提升主要有两条路径:使用更短波长的光,例如从193nm DUV过渡到13.5nm EUV;或增大光刻系统的数值孔径(NA),例如从193nm干式走向193nm浸没式,再到如今0.55 NA的高NA EUV。imec 通过 0.55 NA High-NA EUV 增大数值孔径的路径,作为核心研发平台推动行业加速迈入埃米时代。然而,光学调整只能提升空间像的分辨率,要充分释放先进光刻的能力,仍需材料、工艺、掩模、量测等各环节持续创新。

近年来,人工智能(AI)的兴起与基于GPU的加速计算(AC)应用范围的扩大,为光刻与图形化生态的关键技术开发提速创造了重大机遇。在这一背景下,imec与NVIDIA展开合作:NVIDIA开发AI与加速计算解决方案,imec则以其在光刻与图形化研发领域的领先地位提供研发平台、实测数据与验证实验。下面通过两个具体案例说明这一合作的具体成果。

案例一:AI去噪支持亚1nm CD-SEM量测

在摩尔定律的整个历史中,器件尺寸的微缩速度一直快于量测分辨率的提升速度。这一局限在CD-SEM量测中尤为突出——CD-SEM是测量关键尺寸(CD)和线宽粗糙度(LWR)等图形化特征关键指标的行业标准技术。随着光刻系统转向更短曝光波长或更高数值孔径以印制更小特征,必须采用更薄的光刻胶层来抑制图形倒塌。高NA EUV光刻出现后,由于更高NA下焦深(DOF)固有减小,对更薄光刻胶的需求变得更加关键。

但光刻胶厚度减小会降低形貌的二次电子发射,导致SEM图像信噪比(SNR)下降、图像对比度显著恶化,进而损害CD和LWR测量精度,造成整体量测误差。而在特征尺寸和形状存在预期统计变异的情况下,准确测量CD等参数对保障纳米级器件质量至关重要。

在这一合作框架内,imec提供实测CD-SEM数据和验证实验,NVIDIA团队则开发了基于生成对抗网络(GAN)的深度学习去噪方法。结果显示,单帧CD-SEM数据(或光栅扫描)的SNR平均提升5.5倍,CD和LWR测量精度显著改善,主要支撑高NA EUV光刻的亚纳米量测。该方法通过AI重建图像的功率谱密度(PSD)分析得到验证,并被证明适用于多种光刻胶与底层组合等广泛成像条件。传统帧平均方法通常需平均多达64帧,每帧都增加采集时间;该去噪方法仅以单帧含噪图像为输入,相较采集64帧的传统方案,晶圆吞吐量最高可提升64倍。imec研发总监Ryoung-Han Kim表示,imec的先进研发使其识别出传统技术无法解决的关键瓶颈,而将imec的光刻图形化专长与NVIDIA领先的AI和加速计算技术结合,能够克服这些障碍,加快包括高NA EUV时代在内的光刻尺寸微缩进程。

案例二:AI与GPU加速计算改善工艺窗口OPC

随着光刻与图形化不断进步,OPC等计算光刻技术已成为在日益缩小的尺寸下保持晶圆级图形保真度的关键。光在通过扫描仪和掩模时发生衍射,加上感光层中的物理化学效应,若不加以校正,印制结构就会出现线宽偏窄偏宽、拐角变圆等不规则。传统OPC基于标称条件改变掩模形状;新近的工艺窗口OPC(PW-OPC)则把离焦和剂量变化等多种工艺变异纳入考虑,可在更广泛的工艺条件下更好地预测真实晶圆形状。这对DOF减小的高NA EUV光刻尤为重要。

然而,传统基于CPU的计算资源无法承担PW-OPC的工作负载:它不仅计算量过大,还要求把优化域扩展到多个维度。imec与NVIDIA的合作表明,基于AI的方法和GPU加速计算能够解决这一计算瓶颈。在NVIDIA的cuLitho库中以AI和GPU计算光刻技术扩展OPC后,在3nm布局的M0和M2金属线晶圆上测得工艺窗口改善30%。这直接影响光刻工艺良率,并支持DOF的增加,对高NA EUV光刻尤为有用。

imec的实践并非个例。2026年10月,在SPIE光掩模技术+极紫外光刻会议上,由IBM、Carl Zeiss SMT、Micron、ASML、Tekscend和Applied Materials专家组成的小组,同样把AI视为未来降低边缘放置误差(EPE)的最大收益来源之一,但同时强调:半导体制造不能依赖无法解释的黑箱;一个报告零EPE却不解释其可信依据的模型,不能视为生产就绪。该小组提出的路径是可解释AI:以严格仿真为基础,以适当量测为验证,以已知物理为边界,并监控其可安全应用的条件。智能体系统也应先在目标、数据、可调参数、物理约束和验证标准都明确的有界问题上应用,再逐步连接成更广泛的工作流。

这与imec的做法直接呼应:imec并未把GAN去噪当作黑箱,而是通过PSD分析验证AI重建图像,并证明其适用于多种光刻胶与底层组合;PW-OPC的加速同样建立在既有物理模型与工艺窗口框架之上。上述两项工作正是AI须与物理模型和量测验证相结合这一共识的具体落地。 

参考文献:

[1]Advancing lithography through AI and accelerated computing [EB/OL]. (2026-10-14) https://www.imec-int.com/en/articles/advancing-lithography-through-ai-and-accelerated-computing

[2]Beyond The EPE Budget: Building The Next Generation Of Computational Lithography [EB/OL]. (2026-10-22) https://semiengineering.com/beyond-the-epe-budget-building-the-next-generation-of-computational-lithography/