Исследование эффективности применения различных архитектур нейросетей в расчете маски в задаче инверсной фотолитографии

В данной работе нами решается обратная задача вычислительной фотолитографии. Расчет топологии маски производился глубокими нейронными сетями. Исследование было направлено на сравнение эффективности нейросетевых архитектур U-Net, Erf-Net и Deep Lab v3, а также встроенных алгоритмов Calibre Workbench в решении задачи инверсной фотолитографии. Обучение искусственных нейронных сетей было выполнено на специально сгенерированном и размеченном наборе данных. Случайные фигуры генерировались с помощью САПР Calibre Workbench для маски затворов транзисторов технологии 90 нм. Сравнение производилось по параметрам точности и скорости. В качестве метрик в работе были использованы edge placement error (EPE) и intersection over union (IOU). Применение нейронных сетей позволило в 100 раз ускорить расчет маски при сохранении точности в 92% на метрике IOU.

1. Chien P., Chen M. Proximity effects in submicron optical lithography //Optical microlithography VI. – International Society for Optics and Photonics, 1987. – Т. 772. – С. 35-41.

2. Balasinski A. et al. A novel approach to simulate the effect of optical proximity on MOSFET parametric yield //International Electron Devices Meeting 1999. Technical Digest (Cat. No. 99CH36318). – IEEE, 1999. – С. 913-916.

3. Wong A. K. K. Resolution enhancement techniques in optical lithography. – SPIE press, 2001. – Т. 47.

4. Балан Н. Н. и др. Основные подходы к моделированию формирования фоторезистивной маски в вычислительной литографии //Известия высших учебных заведений. Материалы электронной техники. – 2020. – Т. 22. – №. 4. – С. 279-289.

5. Otto Oberdan W, Garofalo Joseph G, Low KK et al. Automated optical proximity correction: a rulesbased approach // Optical/Laser Microlithography VII / International Society for Optics and Photonics. –– Vol. 2197. –– 1994. –– P. 278–293.

6. Li J. et al. Model-based optical proximity correction including effects of photoresist processes //Optical Microlithography X. – International Society for Optics and Photonics, 1997. – Т. 3051. – С. 643-651.

7. Hung C. Y. et al. First 65nm tape-out using inverse lithography technology (ILT) //25th Annual BACUS Symposium on Photomask Technology. – International Society for Optics and Photonics, 2005. – Т. 5992. – С. 59921U.

8. Красников Г. Я., Синюков Д. В. Проблемы и перспективы развития методов коррекции оптической близости для современных уровней технологии //Труды научного совета РАН" Фундаментальные проблемы элементной базы информационно-вычислительных и управляющих систем и материалов для ее создания". – 2019. – Т. 1. – №. 3. – С. 17.

9. Spence C., Goad S. Computational requirements for OPC //Design for Manufacturability through Design-Process Integration III. – International Society for Optics and Photonics, 2009. – Т. 7275. – С. 72750U.

10. Choi S., Shim S., Shin Y. Machine learning (ML)-guided OPC using basis functions of polar Fourier transform //Optical Microlithography XXIX. – International Society for Optics and Photonics, 2016. – Т. 9780. – С. 97800H.

11. Choi S., Shim S., Shin Y. Neural network classifier-based OPC with imbalanced training data //IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. – 2018. – Т. 38. – №. 5. – С. 938-948.

12. Shi B. et al. Fast OPC repair flow based on machine learning //Design-Process-Technology Cooptimization for Manufacturability XIV. – International Society for Optics and Photonics, 2020. – Т. 11328. – С. 113281B.

13. Shin Y. Computational Lithography Using Machine Learning Models //IPSJ Transactions on System LSI Design Methodology. – 2021. – Т. 14. – С. 2-10.

14. Tryasoguzov, P.E., Kuzovkov, A.V., Karandashev, I.M. et al. Using Machine Learning Methods to Predict the Magnitude and the Direction of Mask Fragments Displacement in Optical Proximity Correction (OPC). Opt. Mem. Neural Networks 30, 291–297 (2021). https://doi.org/10.3103/S1060992X21040056

15. Ye W. et al. LithoGAN: End-to-end lithography modeling with generative adversarial networks //2019 56th ACM/IEEE Design Automation Conference (DAC). – IEEE, 2019. – С. 1-6.

16. Yang H. et al. GAN-OPC: Mask optimization with lithography-guided generative adversarial nets //IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. – 2019. – Т. 39. – №. 10. – С. 2822-2834.

17. Sun X. et al. U-Net convolutional neural network-based modification method for precise fabrication of three-dimensional microstructures using laser direct writing lithography //Optics Express. – 2021. – Т. 29. – №. 4. – С. 6236-6247.

18. Shao H. C. et al. From IC Layout to Die Photograph: A CNN-Based Data-Driven Approach //IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. – 2020. – Т. 40. – №. 5. – С. 957-970.

19. Ma X. et al. Model-driven convolution neural network for inverse lithography //Optics express. – 2018. – Т. 26. – №. 25. – С. 32565-32584.

20. Ma X., Zheng X., Arce G. R. Fast inverse lithography based on dual-channel model-driven deep learning //Optics Express. – 2020. – Т. 28. – №. 14. – С. 20404-20421.

21. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation //International Conference on Medical image computing and computer-assisted intervention. – Springer, Cham, 2015. – С. 234-241.

22. Romera E. et al. Erfnet: Efficient residual factorized convnet for real-time semantic segmentation //IEEE Transactions on Intelligent Transportation Systems. – 2017. – Т. 19. – №. 1. – С. 263-272.

23. Chen L. C. et al. Encoder-decoder with atrous separable convolution for semantic image segmenta-

24. tion //Proceedings of the European conference on computer vision (ECCV). – 2018. – С. 801-818.

25. Google Colab, https://colab.research.google.com

26. Pytorch Documentation, https://pytorch.org/docs/stable/index.html

27. Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. "U-net: Convolutional networks for biomedical image segmentation." In International Conference on Medical image computing and computer-assisted intervention, pp. 234-241. Springer, Cham, 2015.

28. Jun-Yan Zhu, Taesung Park, Phillip Isola, and Alexei A. Efros. "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", in IEEE International Conference on Computer Vision (ICCV), 2017

29. “Algorithm and methodology for increasing the OPC-recipe efficiency” Medvedev Konstantin A., Kuzovkov Alexey V., Ivanov Vladimir V. 10.22184/NanoRus.2019.12.89.368.372