Figura 1. Comparación entre los resultados de simulación de diferentes técnicas SMO. Crédito:SIOM
Recientemente, Investigadores del Instituto de Óptica y Mecánica Fina de Shanghai (SIOM) de la Academia de Ciencias de China han propuesto una técnica de optimización de máscara de fuente (SMO) utilizando la estrategia de evolución de adaptación de matriz de covarianza (CMA-ES) y un método novedoso de representación de fuente.
Los resultados de la simulación implican que la técnica propuesta es anterior a técnicas SMO similares en capacidad de optimización y eficiencia de convergencia.
La litografía es una de las tecnologías clave en la fabricación de circuitos integrados a muy gran escala. La resolución litográfica determina la dimensión crítica (CD) de los circuitos integrados (CI). Con la reducción continua de CD de IC, los importantes efectos de proximidad óptica inducidos por la propiedad de difracción limitada de los sistemas de litografía degradan la calidad de la imagen litográfica.
La litografía computacional se refiere a las técnicas que mejoran efectivamente la resolución y la ventana de proceso al optimizar la fuente de iluminación y el patrón de máscara con modelos matemáticos y algoritmos de optimización. sin cambiar las configuraciones de hardware y software de los sistemas de litografía. La litografía computacional se considera el nuevo facilitador de la Ley de Moore.
SMO optimiza la fuente de iluminación y el patrón de máscara simultáneamente para mejorar la calidad de la imagen. Se ha convertido en una de las técnicas de litografía computacional críticas para implementar la fabricación de circuitos integrados en el nodo de tecnología de 28 nm y más allá.
Figura 2. Resultados de SMO usando CMA-ES con la fuente representada por tres números diferentes de fuentes puntuales. Crédito:SIOM
Los investigadores propusieron una técnica de optimización de máscara de fuente utilizando el CMA-ES y un método novedoso de representación de fuente. En SMO basado en CMA-ES, la matriz de covarianza que indica la distribución del espacio de búsqueda de la solución se ajustó de forma adaptativa con mecanismos de rango 1 y rango μ, permitiendo que las soluciones superiores reaparezcan con mayores probabilidades en generaciones posteriores.
Es más, el rango del espacio de búsqueda de la solución se actualizó mediante el control del tamaño del paso de búsqueda global. La fuente se representó con un número predeterminado de fuentes puntuales ideales con unidad de intensidad y posiciones ajustables. La optimización de la fuente se realizó optimizando las posiciones de las fuentes puntuales.
Los resultados de la simulación bajo diferentes representaciones de fuentes y varios patrones de máscara verificaron la superioridad de la técnica propuesta en capacidad de optimización y eficiencia de convergencia que las técnicas SMO basadas en algoritmos heurísticos.
