ILILT: Implicit Learning of Inverse Lithography Technologies

要約

リソグラフィは、チップ設計マスクをシリコンウエハーに転写することであり、現代の半導体製造フローにおいて最も重要な段階である。リソグラフィ・システムの限界のため、設計とシリコンのミスマッチに対処するためには、広範な設計最適化が必要です。逆リソグラフィ技術（ILT）は、マスク最適化と呼ばれるプレファブリケーション最適化を実行するための有望なソリューションの一つです。マスク最適化問題は非凸という制約があるため、数値的なILTソルバーは、最適でない解に行き詰まることを避けるために、優れた初期化に大きく依存しています。そのため、機械学習（ML）技術は、ILTソルバのためのマスク初期化をワンショット推論で生成するために提案されている。本論文では、「MLモデルが、ILTソルバをループに巻き込むことなく、高品質に最適化されたマスクを直接生成できるかどうか」という疑問を扱う。我々は暗黙学習のILTフレームワークを提案する：ILILTは、暗黙的なレイヤ学習法とリソグラフィ条件入力を活用して、モデルをグラウンディングします。ILILTは、ILT最適化手順を理解するように訓練され、最先端の機械学習ソリューションを凌駕し、効率と品質を大幅に改善することができる。

要約(オリジナル)

Lithography, transferring chip design masks to the silicon wafer, is the most important phase in modern semiconductor manufacturing flow. Due to the limitations of lithography systems, Extensive design optimizations are required to tackle the design and silicon mismatch. Inverse lithography technology (ILT) is one of the promising solutions to perform pre-fabrication optimization, termed mask optimization. Because of mask optimization problems’ constrained non-convexity, numerical ILT solvers rely heavily on good initialization to avoid getting stuck on sub-optimal solutions. Machine learning (ML) techniques are hence proposed to generate mask initialization for ILT solvers with one-shot inference, targeting faster and better convergence during ILT. This paper addresses the question of \textit{whether ML models can directly generate high-quality optimized masks without engaging ILT solvers in the loop}. We propose an implicit learning ILT framework: ILILT, which leverages the implicit layer learning method and lithography-conditioned inputs to ground the model. Trained to understand the ILT optimization procedure, ILILT can outperform the state-of-the-art machine learning solutions, significantly improving efficiency and quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL