别让好内容错过您的订阅列表！受微信公众号推荐机制影响，关注了也不一定能及时看到新文章。阅读后记得点亮右下角的👍「赞」和❤️「推荐」，让「芯联汇」的每一次技术分享，都有更多机会与您相遇！
🔷从传统OPC/ILT到AI强化学习，重构EUV掩模合成与优化流程
🔷融合3D掩模建模、光学成像与光刻胶仿真，探索下一代计算光刻架构
这份报告主要探讨如何利用机器学习（ML）、强化学习（RL）、神经网络（NN）以及GPU硬件加速，重新构建EUV光刻中的掩模合成（Mask Synthesis）与逆向光刻技术（ILT）流程。其核心目标是将传统依赖专用光刻优化软件的复杂计算，迁移至TensorFlow等通用机器学习平台，实现从3D掩模电磁仿真、光学成像到掩模图形优化的自动化计算，并验证AI技术在先进光刻中的实际应用潜力。
该报告已收录至「芯联汇」知识星球，欢迎感兴趣的读者扫码加入学习~一、EUV光刻进入复杂计算时代，传统掩模优化面临新的技术挑战
随着半导体先进制程不断向更小尺寸演进，EUV光刻已经成为实现高密度芯片图形制造的重要技术。然而，EUV光刻并不是简单地将掩模图形缩小并投影到晶圆表面，而是涉及复杂的电磁场传播、三维掩模效应、投影光学成像以及光刻胶化学反应等多个物理过程。
特别是在13.5nm波长的EUV光刻系统中，掩模采用反射式多层结构，入射光具有一定倾斜角度，因此容易产生掩模阴影效应（Shadowing Effect）、吸收层边缘相互作用以及复杂的三维电磁衍射现象。这些效应会造成水平与垂直图形之间的关键尺寸偏差（CD Bias）、曝光狭缝不同位置的CD变化，以及不同焦距条件下的最佳焦点偏移。
传统光学邻近效应修正（OPC）和逆向光刻技术（ILT）需要通过复杂的光刻模型反复计算与优化掩模图形。随着图形复杂度提高，准确模拟三维掩模效应和晶圆成像行为变得越来越重要。
Synopsys认为，机器学习软件、神经网络建模和GPU计算能力的发展，为重新设计EUV掩模合成流程提供了新的技术路径。其研究重点并非简单使用AI替代光刻物理模型，而是将机器学习与光刻物理机制结合，建立更加灵活的掩模优化架构。
二、从传统OPC/ILT到强化学习：EUV掩模设计开始探索AI自主优化
报告提出一个重要观点：从机器学习角度来看，掩模合成可以被视为一种类似强化学习（Reinforcement Learning）的优化过程。
在传统监督学习方法中，研究人员通常需要先使用现有OPC或ILT工具生成大量训练数据，再让神经网络学习目标晶圆图形与优化掩模之间的映射关系。这意味着机器学习模型仍然依赖传统光刻优化工具提供训练样本。
Synopsys提出了不同的技术思路：直接在机器学习框架内部完成掩模优化，而不需要额外的OPC/ILT工具生成输入输出训练样本。
在这一架构中，掩模合成算法相当于强化学习中的智能体（Agent），光刻系统相当于环境（Environment）。算法不断调整掩模图形，通过光刻模型预测晶圆上的实际成像结果，再利用目标图形与预测结果之间的误差构建损失函数，指导下一轮掩模优化。
这种方式将掩模设计从传统的规则修正和专用优化流程，转变为基于光刻仿真反馈的迭代优化过程。报告展示的方案能够在TensorFlow机器学习框架中运行，并利用GPU硬件执行相关计算。
需要强调的是，报告所称的强化学习主要体现为掩模优化与环境反馈之间的类比，并不意味着其已经实现了通用意义上的深度强化学习系统。
三、构建三大AI光刻模型：3D掩模、光学成像与光刻胶工艺协同优化
Synopsys提出的另一项关键技术创新，是将完整EUV光刻过程拆分为三个可以独立建模、相互连接的计算模块，而不是使用单一端到端神经网络直接预测最终晶圆图形。
🔷首先是3D掩模模型（3D Mask Model），负责模拟EUV光与掩模三维结构之间的电磁相互作用，包括吸收层边缘效应、掩模阴影效应以及近场振幅和相位变化。传统上，这类问题可以通过FDTD或严格耦合波分析（RCWA）等数值方法求解，而报告尝试利用神经网络近似这些复杂的电磁衍射过程。
🔷其次是光学成像模型（Imaging Model），负责描述掩模近场经过投影光学系统后，在光刻胶内部形成空间像（Aerial Image）的过程。报告采用Abbe或Hopkins光学成像理论，并考虑高数值孔径及晶圆薄膜堆叠等相关效应。在概念验证中，该模块直接使用TensorFlow实现光学理论计算，不需要额外训练。
🔷最后是光刻胶模型（Resist Model），用于描述曝光、曝光后烘烤（PEB）以及显影等工艺过程，包括酸生成、酸碱扩散、中和反应、去保护反应以及光刻胶溶解等复杂物理化学现象。
这种模块化架构的重要优势在于，不同模型可以独立开发、训练和替换，同时能够针对曝光剂量、焦距以及曝光狭缝位置等工艺条件进行调整，而不必重新训练整个端到端模型。
四、物理模型与神经网络融合：提高EUV三维掩模仿真的准确性
报告强调，机器学习能否真正用于EUV光刻优化，关键并不只是神经网络的计算速度，而是模型能否准确反映真实的光刻物理过程。
为此，Synopsys设计了一种物理知识与机器学习结合的混合神经网络架构（Physics-based Hybrid ML Architecture）。
该架构包含两个部分：主神经网络（Primary NN）和辅助神经网络（Secondary NN）。
🔷主神经网络基于研究人员对电磁衍射物理机制的理解进行构建，主要负责描述3D掩模中的关键物理效应，不需要通过训练学习这些基础机制。
🔷辅助神经网络则通过训练数据学习主模型尚未充分描述的残余效应，从而改善整体预测精度。
在验证过程中，研究人员使用RCWA严格电磁仿真生成训练数据，采用约900个训练图形、200个验证图形以及1000个独立测试图形，对模型的泛化能力进行评估。
测试重点包括不同离焦条件下的空间像误差、光学关键尺寸误差、曝光狭缝位置变化以及采样网格平移引起的预测差异。
其中，采样网格平移测试得到的Shift Variance Band（SVB）约为0.05—0.57nm，说明神经网络模型仍然存在一定的平移敏感性，特别是辅助神经网络引入的误差需要进一步控制。
这一结果揭示了AI光刻建模的重要挑战：神经网络不仅要能够拟合训练数据，还必须具备足够的物理一致性、几何稳定性和对复杂图形的泛化能力。
五、实验验证AI掩模优化能力：13nm图形、焦距变化与曝光剂量测试
为了验证机器学习掩模合成流程的可行性，Synopsys设计了一组由“EUV”字母构成的测试图形，其最小线宽与间距为13nm，采用暗场成像条件，对应的工艺因子k1约为0.318。研究人员使用机器学习框架对掩模进行优化，然后通过严格的三维光刻模型验证优化结果。
报告中的关键实验数据
实验结果表明，机器学习优化后的掩模能够生成预期的“EUV”图形，说明基于通用机器学习平台的独立掩模合成流程具有技术可行性。
在±40nm焦距变化和±5%曝光剂量变化条件下，机器学习模型能够较好捕捉晶圆图形轮廓随工艺条件变化的趋势，表现出一定的工艺响应预测能力。不过，严格仿真与机器学习预测之间仍然存在局部轮廓差异，最差情况下约为1.4nm。这表明该技术虽然已经完成概念验证，但距离复杂自由曲线掩模的高精度应用仍存在模型精度方面的挑战。
另外，报告展示的另一组CNN光刻胶建模实验中，加入CNN后，模型误差RMS由2.97降低至0.62，误差范围由16.8缩小至6.9。这说明神经网络在改善光刻胶成像预测方面也具有潜力，但这一结果与13nm掩模合成验证属于不同实验，不能直接视为完整掩模优化流程的精度提升。
六、GPU与通用机器学习平台：推动EUV光刻计算架构升级
Synopsys的研究不仅关注AI算法本身，也关注光刻计算平台的架构变化。
传统掩模合成软件通常运行在专有的专用计算平台上，而报告尝试将整个掩模优化流程迁移到TensorFlow等通用机器学习框架中，利用GPU硬件执行计算。
这一变化的重要意义在于，光刻算法可以直接利用机器学习生态系统持续发展的软件库、自动微分能力以及硬件加速机制。
研究人员可以将更多精力集中在三维掩模模型、光学成像模型和光刻胶模型等领域专用模块的开发，而不必从头构建所有底层计算基础设施。
从技术架构角度来看，这种方案为物理仿真与AI计算融合提供了一种新的实现方式：利用物理理论确保模型具有合理的工艺基础，再利用机器学习补偿复杂非线性效应，并通过GPU提高计算执行效率。
但需要注意，报告并未给出完整掩模合成流程相对于传统商业OPC/ILT工具的明确加速倍数，也没有证明该方案已经具备全芯片生产级应用能力。因此，其主要成果应理解为计算架构和优化方法的可行性验证，而不是成熟量产工具的性能对比。
七、未来技术方向：AI驱动的EUV光刻优化仍需突破模型精度与泛化能力
报告最终指出，机器学习平台能够独立执行掩模合成流程，并利用模块化光刻模型和类似强化学习的优化机制生成符合预期的掩模图形。这验证了AI与传统光刻物理模型相结合的技术路线具有可行性。
然而，真正的挑战在于复杂自由曲线掩模（Freeform Mask）的高精度建模。报告使用的3D掩模模型仍属于初步验证模型，训练图形覆盖范围有限，训练样本采用简单随机选择方式，神经网络架构与超参数也没有经过充分优化。
因此，后续技术改进需要重点关注更加全面的训练数据覆盖、复杂图形的电磁场建模、神经网络结构优化、模型物理一致性以及不同工艺条件下的预测稳定性。
从报告提出的技术路线来看，未来EUV掩模优化有望进一步融合物理驱动建模、机器学习、GPU加速和自动化优化算法，使光刻计算从传统专用软件流程向更加开放、模块化和智能化的计算架构发展。
需要说明的是，这是一份2020年的技术研究报告，展示的是当时的概念验证成果，不能直接代表Synopsys在2026年的最新商业化技术水平。
这份报告最值得关注的三个技术突破
🔷第一，掩模优化方法的变化。从传统OPC/ILT训练数据驱动的监督学习方案，转向直接利用光刻仿真反馈优化掩模图形的技术路线。
🔷第二，光刻模型架构的变化。将复杂EUV光刻流程拆分为3D掩模、光学成像与光刻胶三个可独立构建和替换的模型，实现物理计算与机器学习的融合。
🔷第三，计算平台的变化。探索将完整掩模合成流程部署在TensorFlow与GPU等通用机器学习软硬件平台上，降低对专用计算架构的依赖。
小编总结
Synopsys通过将机器学习、强化学习思想、GPU加速与EUV光刻物理模型相结合，验证了在通用AI计算平台上直接完成掩模合成与优化的可行性，为先进光刻中的OPC、ILT、3D掩模仿真及智能化计算架构提供了一条新的技术探索路径。
END:原始报告我放在知识星球了，我们在星球中每日会更新半导体行业信息，技术拆解报告，市场分析报告，欢迎大家的加入~
资料整理耗时耗力，专为学习与深度交流而备。若您希望获取报告原件，或有额外资源等需求，欢迎私信联系！
除公众号发布的资料外，我们的知识星球——「芯联汇」还有更丰富和富有价值的资源，包括：
最新的技术与市场深度分析报告
全球半导体龙头企业产品路线图
顶尖科研院所和高校的研究成果和讲义教程
半导体各细分领域的趋势判断
行业峰会演讲精华与专家访谈实录
欢迎扫码加入，与更多行业同行交流，开启您的半导体知识进阶之旅！
关注芯联汇，掌握"芯"讯息
