Fig. 1. Comparaison entre les résultats de simulation de différentes techniques SMO. Crédit :SIOM
Récemment, des chercheurs de l'Institut d'optique et de mécanique fine de Shanghai (SIOM) de l'Académie chinoise des sciences ont proposé une technique d'optimisation du masque de source (SMO) utilisant la stratégie d'évolution de l'adaptation de la matrice de covariance (CMA-ES) et une nouvelle méthode de représentation de la source.
Les résultats de la simulation impliquent que la technique proposée est antérieure aux techniques SMO similaires en termes de capacité d'optimisation et d'efficacité de convergence.
La lithographie est l'une des technologies clés dans la fabrication de circuits intégrés à très grande échelle. La résolution lithographique détermine la dimension critique (CD) des circuits intégrés (CI). Avec le rétrécissement continu des CD de circuits intégrés, les effets de proximité optique importants induits par la propriété de diffraction limitée des systèmes de lithographie dégradent la qualité de l'imagerie lithographique.
La lithographie informatique fait référence aux techniques qui améliorent efficacement la résolution et la fenêtre de traitement en optimisant la source d'éclairage et le modèle de masque avec des modèles mathématiques et des algorithmes d'optimisation, sans modifier les configurations matérielles et logicielles des systèmes de lithographie. La lithographie informatique est considérée comme le nouveau catalyseur de la loi de Moore.
SMO optimise la source d'éclairage et le motif de masque simultanément pour améliorer la qualité de l'imagerie. C'est devenu l'une des techniques critiques de lithographie informatique pour mettre en œuvre la fabrication de circuits intégrés à un nœud technologique de 28 nm et au-delà.
Fig.2. Résultats de SMO utilisant CMA-ES avec la source représentée par trois nombres différents de sources ponctuelles. Crédit :SIOM
Les chercheurs ont proposé une technique d'optimisation de masque de source utilisant le CMA-ES et une nouvelle méthode de représentation de source. En SMO basé sur CMA-ES, la matrice de covariance indiquant la distribution de l'espace de recherche de solution a été ajustée de manière adaptative avec des mécanismes de rang-1 et de rang-μ, permettant aux solutions supérieures de réapparaître avec de plus grandes probabilités dans les générations ultérieures.
De plus, la plage de l'espace de recherche de solution a été mise à jour via le contrôle de la taille de l'étape de recherche globale. La source était représentée avec un nombre prédéterminé de sources ponctuelles idéales avec une intensité unitaire et des positions réglables. L'optimisation des sources a été réalisée en optimisant les positions des sources ponctuelles.
Les résultats de simulation sous différentes représentations de source et divers modèles de masques ont vérifié la supériorité de la technique proposée en termes de capacité d'optimisation et d'efficacité de convergence par rapport aux techniques SMO basées sur des algorithmes heuristiques.
