深度学习技术能否成为我国制造光刻机弯道超车的机会

深度学习经过15年的发展现已应用于：科学研究、基因测序、油气勘探、气象预测等各个领域，在高性能计算HPC的加持下，与大数据、模拟仿真、人工智能 AI等技术逐步与深度计算融合。

技术背景

光刻技术是用于制造超大规模集成电路的核心技术之一。现代集成电路制造业基本按照摩尔定律在不断发展，芯片的特征尺寸(CriticalDimension，简称CD)不断缩小，光刻技术也经历了从g线光刻、i线光刻、深紫外(Deep Ultraviolet，简称DUV)光刻到极紫外(ExtremeUltraviolet，简称EUV)光刻的发展历程。在不同的光刻技术节点中，可能需要采用不同的光刻系统进行集成电路制造。

投影式光刻技术由于其分辨率高，不玷污掩模版，重复性好的特点，被广泛地应用于目前的超大规模集成电路量产过程中。在采用193nm光源波长的DUV光刻技术和采用13 .5nm的EUV光刻技术中，光刻系统利用光源照射透射式或反射式掩模，随后光线通过透射式或反射式的投影物镜将掩模上的集成电路版图复刻在表层涂有光刻胶的硅片上。为了提高光刻系统的成像性能，近年来已经开发出来多种新的光刻分辨率增强技术(ResolutionEnhancementTechnique，简称RET)，如相移掩膜(Phase ShiftingMask)技术、离轴照明(Off-axis Illumination)技术、光学邻近效应校正(Optical Proximity Correction，简称OPC)技术、驻波效应校正(Stand WaveCorrection)技术等，其中OPC是一种重要的计算光刻技术。它通过优化掩模图形调制掩模的衍射近场和远场，从而补偿由衍射和干涉效应。

基于现有深度学习技术梯度的OPC优化算法通过梯度迭代算法，优化掩模各个像素点的透过率(对于DUV光刻系统而言)或反射率(对于EUV光刻系统而言)，需要进行大量的循环迭代才能获得较为理想的优化结果。同时还需要对每次迭代后的掩模图形进行光刻成像，并计算代价函数对掩模变量的梯度，从而导致该算法的计算复杂度很高、计算量大。此外，由于光刻系统成像模型的非线性特性，现有的梯度算法很容易陷入OPC优化问题的局部最优解，并不能准确得到全局最优解，导致收敛误差较大，影响光刻系统的成像质量。为了进一步提高OPC算法的计算效率，研究人员针对相干成像光刻系统提出了基于卷积神经网络的计算光刻方法。但是大多数实际的光刻系统均采用部分相干照明，因此限制了上述技术的应用范畴。

光学光刻技术

光刻是集成电路最重要的加工工艺，他的作用如同金工车间的车床相同。在整个芯片制造过程中，几乎每一道工序都离不开光刻。光刻也是芯片制造中最关键的技术，占芯片制造成本的35%以上。在科技和社会发展的今天，光刻机技术的增长直接关系到大型计算机等高科技领域的运行。

光刻技术与我们的生活息息相关。我们用的手机，电脑等各种各样的电子产品，里面的芯片制作离不开光刻技术。当今世界是一个信息社会，各种信息在世界上流动。而光刻技术是为了保证信息载体的制造。它在社会上拥有不可替代的作用。

光学光刻是通过光的照射的投影方法，将掩模上的大规模集成电路器件的结构图形画在涂有光刻胶的硅片上。通过光的照射，光刻胶的成分发生化学反应，从而产生电路图。限制成品的最小尺寸直接关系到光刻系统能够获得的分辨率，减少照射光源的波长是提高分辨率最有效的途径。为此，开发新型的短波长光源光刻机一直是各国的研究热点。

计算光刻的深度学习方法的流程图

基于光刻系统的成像模型，构建梯度迭代算法中的掩模图形更新公式；展开梯度迭代算法的迭代过程，截取前K步迭代，将每一步迭代过程作为一层，创建K层的前向卷积神经网络，称为基于模型的卷积神经网络MCNN，将MCNN作为编码器；MCNN的输入为理想电路版图，输出为对应的OPC掩模图形；MCNN中上一层的输出作为下一层的输入；基于光刻胶模型，构建与MCNN相对应的解码器；将MCNN的输出与解码器的输入相连；解码器的输入为OPC掩模图形，输出为OPC掩模图形在晶片处所成的像；对MCNN进行如下训练：收集电路版图结构，作为训练样本集，输入MCNN，采用反向传播算法优化MCNN中的各项参数，使得MCNN的输入与解码器的输出之间的误差最小化；训练结束后，将解码器与MCNN分离，将任意其他的理想电路版图输入训练后的MCNN，输出即为该电路版图所应对的掩模图形。

结构示意图和解码器示意图

此外，根据光的干涉特性，利用各种波前技术优化工艺参数也是提高分辨率的重要手段。这些技术是利用电磁理论结合光刻实践对曝光成像进行深入分析的突破。有移相掩模、离轴照明技术、邻近效应校正等等。使用这些技术，可以在当前的技术水平下获得更高分辨率的光刻图案。

20世纪70-80年代，光刻设备主要采用普通光源和汞灯作为曝光光源，其特征尺寸在微米级以上。20世纪90年代以来，为了适应IC集成度逐步提高的要求，相继出现了g谱线、h谱线、I谱线光源以及KrF、ArF等准分子激光光源。目前光学光刻技术发展方向主要是缩短曝光光源的波长，增加数值孔径，改善曝光方式。

电子束光刻技术

电子束光刻是微型技术加工发展的关键技术，在纳米制造领域具有不可替代的作用。电子束光刻主要用于刻画微小的电路图，通常以纳米为单位。电子束光刻不需要掩模，直接将会聚的电子束斑打在表面涂有光刻胶的衬底上。

为了将电子束光刻技术应用于纳米尺度微小结构的加工和集成电路的光刻，必须解决几个关键技术问题:电子束高精度扫描成像曝光效率低；电子在抗蚀剂和基片中的散射和背射现象引起的邻近效应；实现纳米尺度加工中的电子抗蚀剂、电子束曝光、显影和刻蚀等工艺技术问题。

实践证明，应用电子束邻近校正技术、电子束曝光与光学曝光系统匹配、混合光刻技术和抗蚀剂曝光工艺优化技术是提高电子束光刻系统实际光刻分辨率的非常有效的途径。电子束光刻最重要的是金属化剥离。第一步是扫描光刻胶表面所需的图案。第二部是将曝光的图形进行显影，去除未曝光的部分。第三部在形成的图形上沉淀金属，第四部将光刻胶去除，在金属剥离的过程中，关键在于光刻工艺的胶型控制。最好使用厚胶，有利于胶水的渗透，形成清晰的形状。

超透镜：下一代光学革命

科普作家彭天放老师说，超透镜技术的发展让他感触最深的就是，杰出的创新往往是前沿技术相互交叉的成果。超透镜这种大规模的纳米级立体结构，必须要通过芯片加工中一种叫做“电子束光刻”的前沿工艺，才能制造出来。如今，在深度学习技术的加持之下，又进一步在拍摄效果上实现了大幅度的突破。

近日，光刻机巨头阿斯麦透露，他们正在研发新一代光刻机，预计2025年实现量产。与目前最先进的极紫外光刻机相比，新一代光刻机的主要改进在于更先进的光学设计。比如将原来的0.33光圈镜头换成更锐利的0.55光圈镜头，实现更高的分辨率，可以减少1.7倍的芯片特征，增加2.9倍的芯片密度。这个具体的技术原理就不展开了，但从这里我们可以知道，光刻机技术的先进性有相当一部分上取决于光学技术的先进性。

我们知道，差不多20年前，摄影技术发生了一场重大革命，那就是数码相机逐渐取代了胶片相机。但是，相机里还有一类重要器件，几百年来本质上没有变过——光学镜片。今天的手机、相机和光刻机镜片在原理上类似于400年前伽利略观察太空的望远镜的镜片。

彭老师告诉我们，摄影技术的第二次大革命即将发生，它将发生在几百年不变的光学镜头领域。掀起这项革命性的新技术被称为“超透镜”。

11月29日，普林斯顿大学的研究人员在《自然通讯》上发表了一组用超透镜拍摄的照片。这种超透镜的直径只有大约1毫米，大约一粒盐的大小。

2011年，美国哈佛大学的卡帕索教授针对透镜系统越来越重的问题提出了新的思路。他发现，不用透镜，利用一种非常精细的平面结构，也可以实现偏折光线的效果。这就是超透镜的由来。

超透镜是平面的，就像芯片一样。放大看就会发现上面整齐排列着几百万个尺寸只有几百纳米的细微结构。这些细微结构的大小与可见光的波长相似。当光在传播过程中遇到这些结构时，会发生一些意想不到的变化。例如，有的光线会剧烈地拐弯，有的呢则会径直通过。理论上，如果这些细微结构被精确地设计和排列，一个扁平的“玻璃片”就可以用来实现各种透镜的功能。好好想想如果能够用一个盐粒大小的超透镜来拍照，有谁还会使用笨重的传统镜头呢？

然而，目前超透镜技术仍然面临许多挑战，举两个明显的例子。比如用超透镜很难拍摄彩色照片。这是因为不同颜色的光具有不同的波长，并且在通过超透镜的细微结构之后，偏折的程度不同。再比如细微结构的设计也很困难。试想一下，对数以百万计的细微结构，要精确地找到每个结构的最优形状和尺寸，背后的计算量太大，所以只能用一些简化的设计方案。

普林斯顿大学研究人员用超透镜拍摄的照片可以与传统镜头拍摄的相媲美。他们是怎么做到的？这是本次研究中非常重要的创新——将深度学习引入到超镜头的图像处理中。刚才提到的超透镜的很多“先天缺陷“，以及加工过程中可能出现的后天瑕疵，都可以通过深度学习进行建模和矫正。

具体来说，就是让超透镜拍摄现有的图片，然后将拍摄的图片与原始图片进行比较，然后就可以找到一个函数来定量描述这个超透镜的缺陷或者说“特征”。然后，用这个超镜头拍摄其他东西的时候，就可以用这个函数对图片进行反方向校正画面，从而得到高质量的照片。强调一下，这种校正方法不同于一些用AI填充图片细节的算法。AI填充可以看作是一种“脑补”，这种函数就是“还原”。

为了解决传统分散化的基础设施部署模式存在的问题，大数据一体机应运而生。作为面向大数据存储、处理、展现全环节、软硬一体化的方案型产品，大数据一体机实现了软硬件的预集成与预优化，解决了原有架构的扩展瓶颈和新技术条件下的客户应用门槛，可以快速满足深度学习等行业用户对于人工智能等高负载应用的性能需求，降低系统部署的复杂性和 TCO，提升交付灵活性。

蓝海大脑的深度学习一体机，通过框架平台、基础系统、算力支撑以及液冷GPU服务器对图片经过深度学习一体机进行鉴别与输出结果，大大的节省了人力物力及时间成本。