2021年3月5日消息,近日,中国科学院上海光学精密机械研究所的研究人员提出了一种基于厚掩模模型和社会学习的极紫外光刻(EUVL)源掩模优化(SMO)技术粒子群优化(SL-PSO)算法。
该方法的仿真表明,该技术比基于启发式算法的类似方法更有效。
研究人员说,随着集成电路关键尺寸的不断缩小,对精度和最佳性能的要求越来越严格。计算光刻在不改变光刻系统本身的硬件或软件配置的情况下提高了性能,而是通过优化当前的光源,数学模型和算法来提高其性能。
SMO是一种计算光刻技术,可同时优化照明源和掩模图案,以提高成像质量。
EUVL已被应用于5纳米制程节点的大批量生产,而SMO对这项技术的功能至关重要。
为了改进该技术,研究人员提出了一种基于厚掩模模型和SL-PSO算法的EUVL SMO方法。研究人员在模拟中测试的方法使用了基于结构分解方法(SDM)的快速厚模型。SDM通过描述入射光在吸收体和多层中的传播来计算掩模光谱。
尽管已经对SDM进行了广泛的研究,但研究人员表示,尚未对像素化相位掩模(本身就是一种分辨率增强技术)进行广泛的研究。
SL-PSO算法优化了源代码和掩码模式,社交学习策略提高了系统效率。另外,调整后的初始化参数控制了算法中的初始群。这改善了掩模的可制造性。
仿真结果表明,与其他启发式算法相比,该方法具有更快,更有效的效果。图案误差显着降低,成像保真度得到改善。使用位于环缝不同位置的图案进行的仿真表明,该方法不仅提高了成像保真度,而且减轻了阴影效果。
未来的研究将集中于通过增加掩模像素数量来提高优化效率,以及消除晶圆散焦平面上的图案偏移。
这项研究发表在《光学快报》上。
编辑:lyn
-
极紫外光刻
+关注
关注
0文章
12浏览量
8008 -
启发式算法
+关注
关注
0文章
3浏览量
5637
发布评论请先 登录
相关推荐
评论