导 读

全息光刻作为一种计算接近式光刻技术，兼具系统简单、成本较低、分辨率高且对掩模缺陷不敏感等优点，在微纳制造、芯片制造等领域具有重要应用。中国科学院上海光学精密机械研究所李思坤研究员团队提出一种基于生成对抗神经网络的全息掩模快速设计方法，通过深度学习与物理模型结合，显著提升掩模设计效率与成像质量，并进行了系统的仿真验证。相关成果以封面文章发表在第46卷第4期。

封面解析

封面直观呈现了合成全息光刻掩模的智能设计与成像核心原理。主体为经生成对抗神经网络优化的合成全息光刻掩模，其像素结构兼具振幅调控与相位精确调制功能，即用不透光的像素块实现入射光振幅调制，用不同高度的透明像素块进行相位精准调制。结合低成本接近式光刻技术，该设计可实现亚微米线宽复杂图形的高保真度转移。将人工智能与光刻技术深度融合，可大幅提升掩模设计效率，为下一代光刻技术的创新指明方向。

文章链接：

1、研究背景

在半导体制造中，光刻技术是决定芯片精度的核心。全息光刻作为接近式光刻的升级方案，凭借系统简单、成本低廉、抗掩模缺陷等优势，成为MEMS、3D-IC 等领域的关键技术，能通过相位-振幅调制实现亚微米级分辨率。然而传统全息掩模设计依赖投影迭代算法，随着掩模分辨率提升、设计图形面积变大时，迭代收敛速度极慢，且初始值选择不当易陷入局部最优。例如，设计一张500×500像素的全息掩模，传统方法需迭代上百次，制约了其在快速原型制备与小批量生产中的应用。

2、基于生成对抗式神经网络的全息光刻掩模快速设计方法研究

针对传统全息掩模设计迭代收敛慢、易陷局部最优的问题，李思坤研究员团队提出“深度学习预生成 - 物理模型精优化” 的混合设计范式，实现效率与精度的协同提升，核心创新在于将数据驱动的映射学习与物理过程精准建模相结合，优化迭代初始值选择与收敛路径，如图1所示。

图1 快速设计方法框架

深度学习模型如图2所示。采用基于 U-net架构的生成器，借助跳跃连接融合低层次空间特征与高层次特征，其输入经预处理后获取未分级连续振幅与相位分布以降低背景区域不确定性，输出则为匹配制造工艺约束的离散化全息掩模复振幅分布；判别器采用多尺度卷积特征提取架构，输入生成器预测掩模与物理模型真实掩模的拼接数据实现真假判别，网络训练通过优化对应损失函数保障生成结果可靠性，模型基于 ICCAD2013 数据集，经尺度归一化处理后以真实全息掩模为标签，配合软硬件配置与优化策略实现收敛。

图2 深度学习模型主要结构示意图。(a) GN；(b) DN

物理精优化阶段，将生成对抗式神经网络生成的准最优掩模直接作为Litho-Guided OMRAF 框架的初始值，该框架如图1所示，该框架将掩模区域划分为背景区与信号区，对相位和振幅联合编码，基于平面波角谱法精确计算光场传播，以面积误差比为评价指标，通过逐步离散化处理与局部特征优化，降低生成掩模在边缘相位过渡区域的误差，最终获得符合制造要求的最优掩模。

图3 不同掩模尺寸下快速设计方法的性能评估

针对不同掩模尺寸的性能评估如图3所示：相同目标图形下，700×700 像素大尺寸掩模的迭代次数从 244 次降至 22 次，效率提升 90.98%，且掩模尺寸越大，提升效果越显著。该方法通过深度学习为物理迭代提供高质量初始值，规避盲目搜索的效率损耗，同时以物理模型修正保障工艺兼容性，为大尺寸、高分辨率全息掩模高效设计提供了全新技术路径。

3、后续工作展望

未来将从三方面推进研究：一是优化网络架构，引入物理约束条件到训练过程，减少样本依赖，实现小数据高效训练；二是拓展焦深范围，通过改进相位- 振幅调制策略，降低曝光时掩模与硅片的距离控制精度要求，提升工艺兼容性；三是开展工业化验证，将该方法与实际光刻设备结合，针对 3D-IC、先进封装等场景的复杂图形进行测试，推动技术落地，为半导体制造提供更高效、更可靠的全息光刻掩模设计方案。

作者简介

李思坤，研究员，博士生导师，中国科学院上海光机所高端光电装备技术支撑中心副主任，中国科学院光电技术研究所客座研究员，吉林省超快与极紫外光学重点实验室学术委员会委员，研究方向：半导体光学光刻与极紫外光刻。