机器学习驱动的极紫外光刻缺陷掩模仿真精度提升

本文档探讨了一种创新的极紫外光刻(Extreme Ultraviolet Lithography, EUV)掩模仿真方法，该方法特别强调了机器学习在提高模拟精度和效率中的作用。传统上，掩模衍射谱的仿真可能受到结构分解法的限制，存在精度不足或对掩模缺陷适应性不强的问题。作者提出的基于机器学习的校正策略，利用了随机森林和K近邻等算法，对掩模仿真模型中的关键参数进行实时调整。 在研究中，研究人员首先构建了一个基于结构分解法的含缺陷掩模衍射谱快速仿真模型。然而，由于模型中的参数可能存在误差，通过机器学习技术进行动态校正，可以确保模型在处理不同掩模结构和缺陷时的准确性。通过将50组随机设定的接触孔掩模作为测试对象，经过参数校正后的快速模型，其空间像仿真精度显著提升，平均提高了45%。相比于传统的改进型单平面近似法，校正后的快速模型表现出更高的仿真精度，平均提升分别达到4.3倍和8.7倍。 此外，对于像面周期为44纳米的掩模缺陷补偿仿真，即使在仿真结果误差保持在0.8纳米的较高一致性下，机器学习校正后的快速模型仍能实现显著的速度优势，其单次衍射谱仿真速度比严格的仿真方法快约97倍。这种加速对于优化实际的光刻工艺流程，减少计算成本，以及加快设计迭代具有重要意义。 总结来说，这项研究展示了机器学习如何有效地提升极紫外光刻掩模仿真的精度和效率，特别是在处理复杂缺陷和多变的掩模结构时。这种方法对于推动光学设计领域的高性能计算和光刻技术的发展具有积极的推动作用。同时，它也为其他领域的仿真问题提供了新的解决思路，即通过数据驱动的方法来优化模型参数，提升仿真效果。