光刻技术第16期 | 压缩感知光源优化的优化技术

01/简介

随着集成电路制程向3nm及以下节点突破，光刻系统面临的光学畸变（如衍射、偏振效应）愈发显著，光源作为光刻成像的“源头变量”，其图形优化直接决定空间像保真度与芯片制造良率。

传统光源优化方法依赖全像素维度寻优，受限于光源像素矩阵规模庞大（常达数百甚至数千维度），存在迭代收敛慢、计算资源消耗高、易陷入局部最优等问题，难以适配先进制程对优化效率与精度的双重需求。

压缩感知技术凭借“稀疏性约束降维”的核心逻辑，为光源优化提供了突破口——通过将光源在稀疏基（如2D-DCT）下表示为少量非零系数，大幅削减优化变量维度。但压缩感知光源优化的落地效果，关键取决于“优化技术”的工程化实现：算法迭代步骤的合理性决定了优化收敛速度与全局最优性，需明确初始值求解、变量更新、收敛判定的完整逻辑；算法实施细节的精准度（如稀疏基适配选择、测量矩阵构建、噪声抑制策略）则直接影响优化结果的稳定性与可制造性，是技术从理论走向工程的核心桥梁。

本文聚焦压缩感知光源优化的优化技术核心，系统拆解算法迭代的完整流程，深入剖析关键实施细节，厘清技术落地的核心环节，为压缩感知光源优化在先进光刻工程中的高效应用提供可复用的技术框架与实施参考。

02/算法迭代步骤

通过解决l₁范数优化问题，可以获得最佳光源图形。该问题可以使用在CS领域开发的多种算法来解决。在优化前计算I^s_cc矩阵，可以减少运行时间。

通过线性Bregman算法迭代更新光源的2D-DCT系数θ，该算法计算效率高、图像对比度高，流程如下：

迭代过程中，门运算承担着参数精准筛选的关键角色：

• 若参数的绝对值小于设定阈值，会直接调整为0；

• 若参数绝对值不小于该阈值，则结合参数自身的符号（正/负）与阈值运算，实现参数的定向调控。

其中的符号判断由符号函数完成：参数非负时符号为1，参数为负时符号为-1——通过这一机制，最终得到的光源核心参数（2D-DCT系数）将更精准匹配光刻需求。

03/算法实施细节

为兼顾“优化效率”与“工艺适配性”，算法设置了多重细节保障：

对称性保持：仅更新光源图形左上四分之一区域的像素，再通过对称规则同步更新其余区域，既简化运算量，又保障光源结构的合理性；

非负性与模糊消除：利用更新后的核心参数计算光源图形时，主动忽略强度低于10^-4的像素，再转换回对应变换域启动下一次迭代——有效规避光源图形的非负性异常与模糊问题；

约束近似处理：由于线性约束下“目标图形与实际成像光强的完全匹配”难以严格实现，算法将二者的差异近似为随机噪声，平衡了优化严谨性与实施可行性。

这套算法既实现了光源图形的高效优化，又通过多重细节保障了结果的精准性与工艺适配性，为先进光刻的图形复刻提供了可靠技术支撑。

04/先进技术与未来发展方向

当前，压缩感知光源优化技术已在算法迭代与实施层面实现关键突破：

迭代步骤上，通过“初始稀疏解生成-自适应变量更新-多指标收敛判定”的闭环设计，解决了传统迭代易陷入局部最优的痛点，收敛速度提升50%以上；

实施细节上，自适应稀疏基选择策略适配不同光刻图形需求，改进型测量矩阵构建方法降低了噪声干扰，使光源优化精度误差控制在2%以内，成功支撑3nm节点光刻制程的工程应用，较传统技术节省40%计算资源。这些突破让压缩感知光源优化从理论模型迈向稳定高效的工程化落地，成为先进光刻光源调控的核心技术路径。

未来，技术发展将围绕迭代效率与场景适配性深化突破：

一是AI与迭代算法深度融合，通过深度学习预判最优迭代初始值与步长，实现迭代过程的自适应调控；

二是多物理场迭代模型构建，将EUV光刻的偏振、热效应等融入迭代流程，优化实施中的参数补偿机制；

三是跨流程协同优化，联动掩模优化、OPC等环节设计统一迭代框架，提升全链路光刻性能；

四是极端制程适配，针对1nm及以下节点研发量子辅助迭代算法与新型稀疏变换技术，突破现有精度与效率瓶颈，推动压缩感知光源优化向更精准、更高效的方向演进。