Fig. 1. Confronto tra i risultati della simulazione di diverse tecniche SMO. Attestazione:SIOM
Recentemente, ricercatori dell'Istituto di ottica e meccanica fine di Shanghai (SIOM) dell'Accademia cinese delle scienze hanno proposto una tecnica di ottimizzazione della maschera della sorgente (SMO) utilizzando la strategia di evoluzione dell'adattamento della matrice di covarianza (CMA-ES) e un nuovo metodo di rappresentazione della sorgente.
I risultati della simulazione implicano che la tecnica proposta è precedente a tecniche SMO simili in termini di capacità di ottimizzazione ed efficienza di convergenza.
La litografia è una delle tecnologie chiave nella fabbricazione di circuiti integrati su larga scala. La risoluzione litografica determina la dimensione critica (CD) dei circuiti integrati (IC). Con il continuo restringimento dei CD di circuiti integrati, i significativi effetti di prossimità ottica indotti dalla proprietà di diffrazione limitata dei sistemi litografici degradano la qualità dell'immagine litografica.
La litografia computazionale si riferisce alle tecniche che migliorano efficacemente la risoluzione e la finestra di processo ottimizzando la sorgente di illuminazione e il modello di maschera con modelli matematici e algoritmi di ottimizzazione, senza modificare le configurazioni hardware e software dei sistemi litografici. La litografia computazionale è considerata il nuovo fattore abilitante della legge di Moore.
SMO ottimizza contemporaneamente la sorgente di illuminazione e il modello di maschera per migliorare la qualità dell'immagine. È diventata una delle tecniche di litografia computazionale critiche per implementare la fabbricazione di circuiti integrati a un nodo tecnologico a 28 nm e oltre.
Fig.2. Risultati di SMO utilizzando CMA-ES con la sorgente rappresentata da tre diversi numeri di sorgenti puntiformi. Attestazione:SIOM
I ricercatori hanno proposto una tecnica di ottimizzazione della maschera di origine utilizzando il CMA-ES e un nuovo metodo di rappresentazione della sorgente. In SMO basato su CMA-ES, la matrice di covarianza che indica la distribuzione dello spazio di ricerca della soluzione è stata adattata con meccanismi di rango-1 e rango-μ, consentendo alle soluzioni superiori di riapparire con maggiori probabilità nelle generazioni successive.
Inoltre, l'intervallo dello spazio di ricerca della soluzione è stato aggiornato tramite il controllo della dimensione del passo di ricerca globale. La sorgente è stata rappresentata con un numero predeterminato di sorgenti puntiformi ideali con intensità unitaria e posizioni regolabili. L'ottimizzazione delle sorgenti è stata realizzata ottimizzando le posizioni delle sorgenti puntiformi.
I risultati della simulazione con diverse rappresentazioni della sorgente e vari modelli di maschera hanno verificato la superiorità della tecnica proposta in termini di capacità di ottimizzazione ed efficienza di convergenza rispetto alle tecniche SMO basate su algoritmi euristici.