Figura 1. Comparação entre os resultados da simulação de diferentes técnicas de SMO. Crédito:SIOM
Recentemente, pesquisadores do Instituto de Óptica e Mecânica Fina (SIOM) de Xangai da Academia Chinesa de Ciências propuseram uma técnica de otimização de máscara de fonte (SMO) usando a estratégia de evolução de adaptação de matriz de covariância (CMA-ES) e um novo método de representação de fonte.
Os resultados da simulação implicam que a técnica proposta é anterior às técnicas SMO similares em capacidade de otimização e eficiência de convergência.
A litografia é uma das tecnologias-chave na fabricação de circuitos integrados de grande escala. A resolução litográfica determina a dimensão crítica (CD) dos circuitos integrados (ICs). Com a redução contínua do CD de ICs, os efeitos de proximidade óptica significativos induzidos pela propriedade limitada por difração dos sistemas de litografia degradam a qualidade da imagem litográfica.
A litografia computacional se refere às técnicas que efetivamente melhoram a resolução e a janela do processo, otimizando a fonte de iluminação e o padrão de máscara com modelos matemáticos e algoritmos de otimização, sem alterar as configurações de hardware e software dos sistemas de litografia. A litografia computacional é considerada o novo facilitador da Lei de Moore.
O SMO otimiza a fonte de iluminação e o padrão de máscara simultaneamente para melhorar a qualidade da imagem. Tornou-se uma das técnicas de litografia computacional críticas para implementar a fabricação de IC em um nó de tecnologia de 28 nm e além.
Figura 2. Resultados de SMO usando CMA-ES com a fonte representada por três números diferentes de fontes pontuais. Crédito:SIOM
Os pesquisadores propuseram uma técnica de otimização de máscara de fonte usando o CMA-ES e um novo método de representação de fonte. No SMO baseado em CMA-ES, a matriz de covariância indicando a distribuição do espaço de busca da solução foi adaptativamente ajustada com mecanismos de classificação 1 e classificação μ, permitindo que as soluções superiores reapareçam com maiores probabilidades nas gerações posteriores.
Além disso, o alcance do espaço de busca de solução foi atualizado por meio do controle do tamanho do passo de busca global. A fonte foi representada com um número predeterminado de fontes pontuais ideais com intensidade de unidade e posições ajustáveis. A otimização da fonte foi realizada otimizando as posições das fontes pontuais.
Os resultados da simulação sob diferentes representações de fonte e vários padrões de máscara verificaram a superioridade da técnica proposta em capacidade de otimização e eficiência de convergência do que as técnicas SMO baseadas em algoritmos heurísticos.
