MorphOPC: Apprendimento Morfologico Neurale per l'Ottimizzazione delle Maschere
Uno studio recente pubblicato su arXiv (2605.12528v1) presenta MorphOPC, un modello gerarchico che opera su scale multiple e impiega moduli morfologici neurali per apprendere le trasformazioni geometriche essenziali per la correzione ottica di prossimità (OPC) nella produzione di semiconduttori. Con dimensioni delle caratteristiche che si riducono alla scala nanometrica, il trasferimento preciso dei pattern dalle fotomaschere ai wafer è fondamentale. Gli attuali modelli generativi encoder-decoder spesso faticano a catturare accuratamente queste trasformazioni, risultando in una qualità inferiore della maschera. MorphOPC affronta la generazione di maschere attraverso una serie di operazioni morfologiche applicate alle caratteristiche locali del layout. I test su benchmark per OPC basato sui bordi e litografia inversa (ILT) su strati di metallo e via dimostrano la sua costante superiorità, affrontando una sfida significativa nella litografia avanzata per la produzione di chip.
Fatti principali
- MorphOPC è un modello gerarchico multi-scala con moduli morfologici neurali.
- Apprende trasformazioni geometriche dai layout target ai pattern di maschera.
- Il modello supera gli approcci generativi encoder-decoder esistenti.
- Gli esperimenti sono stati condotti su benchmark OPC basato sui bordi e ILT.
- I benchmark coprivano strati di metallo e via.
- L'articolo è pubblicato su arXiv con identificativo 2605.12528v1.
- La correzione ottica di prossimità garantisce la fedeltà del pattern nella produzione di semiconduttori.
- Le dimensioni delle caratteristiche si stanno riducendo alla scala nanometrica.
Entità
Istituzioni
- arXiv