加速逆光刻技术克服逻辑和铸造生产环境挑战

逆光刻技术（ ILT ）于 2003 年初首次实施并演示。它由彭丹平（ Danping Peng ）创建，当时他在发光科技公司（ Leaming Technologies Inc 。）担任工程师。这是一家初创公司，由加州大学洛杉矶分校（ UCLA ）的斯坦利·奥谢尔（ Stanley Osher ）和埃利·亚博诺维奇（ Eli Yabonovitch ）教授以及企业家丹·艾布拉姆斯（ Dan Abrams ）和杰克·赫里克（ Jack 。

当时， ILT 是一个革命性的解决方案，它显示出比光刻图案化中使用的传统曼哈顿掩模形状优越得多的工艺窗口。与直线形状的曼哈顿面具不同， ILT 的优势在于其曲线面具形状。

在其发展之后， ILT 被证明是一种可行的光刻技术，可以在多家内存和逻辑铸造厂进行实际的晶圆印刷。然而，技术和经济因素阻碍了 ILT 的采用：

ILT 口罩的计算时间非常长，比传统的曼哈顿口罩长 10 倍以上。

当 ILT 生成基于模型的辅助特征时，它还遇到了一些瓷砖边界的缝合问题。

ILT 掩模文件的大小非常大（比传统掩模文件大 6-7 倍），因此使用可变形状光束（ VSB ）写入器进行写入需要很长时间。

ASML 推出了具有更好焦点和剂量控制的浸入式光刻扫描仪，使用传统的曼哈顿掩模可以满足制造需求。

由于这些原因， ILT 的使用主要用于单元阵列打印的内存铸造厂和逻辑铸造厂作为热点修复，或用于基准测试和改进传统的光学邻近校正（ OPC ）。

ILT 的现状

快进到 20 年后的今天，半导体的前景就不同了。在 7nm 及以下的图形特征尺寸方面的挑战要求更高的精度和工艺余量。因此，在 ILT 中生产曲线掩模形状的能力对于克服这些晶圆生产限制变得越来越关键。

如今，在 GPU 光刻模拟方面取得的进步比传统 CPU 计算的速度提高了 10 倍以上，机器学习（ ML ）通过学习现有解决方案，进一步加快了 ILT 模型的速度。

多波束掩模写入器还可以在固定时间内写入任何复杂度的掩模，并已成功应用于 HVM 。

最后，下一代光刻扫描仪变得越来越昂贵，因此通过 ILT 从现有扫描仪中提取价值和性能是一个更具吸引力的选择。

通过 GPU 计算和 ML ，为全芯片应用部署 ILT 正在成为现实。它有望在推动掩模图案和缺陷检测技术的前沿领域发挥关键作用。

克服逻辑和铸造生产环境中采用 ILT 的挑战

要在 logic foundry 环境中成功使用 ILT ，必须解决阻止其大规模采用的问题：

计算时间长

特定于曲线 OPC 的掩码规则检查

较大的布局文件大小

计算时间长

由于曲线掩模形状的复杂性， ILT 需要较长的计算时间。幸运的是， GPU 计算性能和深度学习（ DL ）的最新进展显著减少了解决这些复杂计算算法所需的时间。

特定于曲线 OPC 的掩码规则检查

其次，必须解决特定于曲线 OPC 的掩模规则检查（ MRC ），因为掩模车间需要一种验证传入掩模数据是否可制造的方法。对于曲线遮罩形状尤其如此，因为它们比直线遮罩形状更难验证，因为简单的宽度和空间检查不再适用于曲线遮罩。

为了解决 MRC 问题，业界正在趋同于使用简化规则，例如最小 CD /空间、孔和岛的最小面积，以及遮罩边缘的平滑度（曲率上限）。

较大的布局文件大小

最后，与传统的直线形状相比， ILT 生成的布局文件大小大得令人无法接受。尺寸的增加意味着制造业中数据生成、存储、传输和使用的成本显著增加。

EDA 解决方案

为了解决这个问题， EDA 供应商提出了各种解决方案，并成立了一个工作组，研究由所有利益相关者（ EDA 供应商、工具供应商和铸造厂）支持的通用文件格式。

GPU + DL： 使用 GPU 解决 ILT 挑战的理想解决方案

我们与 EDA 供应商和 NVIDIA 的密切合作，形成了自主开发的 ILT 解决方案。使用 NVIDIA GPU 平台，我们使用 NVIDIA SDK 和库成功移植了大部分仿真和 ILT 引擎：

接近

卡夫特

库索尔弗

NVPR ：使用 OpenGL 扩展的 NVIDIA 路径渲染

Optix RT 计算

还有更多

在 NVIDIA V100 32-GB GPU 上，我们演示了与典型的 CPU 运行相比， ILT 计算的加速超过 10 倍。在光学和抗蚀剂建模的许多关键组件中，我们看到了超过 20 倍的加速。

令人鼓舞的结果导致了进一步的发展。目前，我们正在 NVIDIA A100 80-GB GPU 集群上使用内部 ILT 引擎对关键层进行生产规模校准和测试。

图 1 GPU 使用内部 ILT 发动机加速

ILT 的未来机遇

先进的芯片设计越来越依赖昂贵的模拟：从电路性能和时序到散热。说到制造业， OPC / ILT 需要大量的计算能力，随着我们向下一个节点的快速推进，计算能力预计会增加。

与黄定律中的观察结果一致，将 HPC 与 GPU 以及整个软件堆栈一起使用，将是按时成功推出下一代芯片的关键组成部分。更具体地说， HPC +渲染（计算机图形学）+ ML / DL 的统一加速体系结构将使更好的芯片得以设计和制造，从而有助于提高掩模图案和缺陷检测应用的速度和效率。

换句话说，这是一个使用 GPU 来更快更好地设计 GPU 的迭代过程。

为了在 HVM 中快速采用 ILT 口罩，所有利益相关者必须参与合作和协作。

EDA 供应商应确保其 OPC 模拟和校正引擎能够生成符合标准掩模规则的曲线掩模设计，并将其输出为可接受的文件大小和格式。

掩模数据准备（ MDP ）供应商应调整其系统以处理这些曲线掩模数据。

面具检查和审查工具供应商应升级其系统和算法，以检查、建模和检测任何潜在缺陷。

毫无疑问，曲线 ILT 掩模设计为电路设计师提供了更大的自由度和创造力，以创建性能更好的电路，同时通过大大简化的设计规则实现更好的工艺裕度。使用曲线设计的好处将对半导体行业产生重大影响， ILT 将是未来工艺节点发展的关键促成因素。

关于作者

Danping Peng在北京大学获得理学学士和硕士学位，在加州大学洛杉矶分校获得博士学位，全部为应用数学。在加州大学洛杉矶分校，他在 Stanley Osher 教授的指导下研究了水平集方法的算法及其在移动边界问题中的应用。

Srinivas Kodiyalam 是 NVIDIA 工业 HPC & AI 团队的高级 DevRel 经理。他在加州大学圣巴巴拉分校获得机械工程博士学位。他目前专注于工业 HPC 工作负载和应用程序。在加入 NVIDIA 之前，斯里尼瓦斯曾在通用电气研发中心和洛克希德·马丁航天系统公司从事产品工程和开发工作；在 MSC 软件公司从事软件开发，并担任工程软件公司的首席技术官（由达索系统公司收购）；在 SGI 和 NetApp 的 HPC 和存储领域。斯里尼瓦斯是美国航空航天学会（ AIAA ）的副研究员。

Andrew Liu 是 NVIDIA 的高级解决方案架构师，帮助客户构建基于 NVIDIA 技术的创新解决方案。他的研究兴趣是将机器学习算法应用于现实问题。在加入 NVIDIA 之前，安德鲁是富士康的一名机器学习工程师。他带领分析团队，围绕制造过程开发了各种预测建模项目，包括缺陷检查和预测性维护等。在博士项目期间，他在洛斯阿拉莫斯国家实验室的生物科学团队担任访问学者，致力于人类和环境微生物项目。

审核编辑：郭婷