01/簡介

隨著集成電路制程向3nm及以下節點突破，光刻系統面臨的光學畸變（如衍射、偏振效應）愈發顯著，光源作為光刻成像的“源頭變量”，其圖形優化直接決定空間像保真度與芯片制造良率。

傳統光源優化方法依賴全像素維度尋優，受限于光源像素矩陣規模龐大（常達數百甚至數千維度），存在迭代收斂慢、計算資源消耗高、易陷入局部最優等問題，難以適配先進制程對優化效率與精度的雙重需求。

壓縮感知技術憑借“稀疏性約束降維”的核心邏輯，為光源優化提供了突破口——通過將光源在稀疏基（如2D-DCT）下表示為少量非零系數，大幅削減優化變量維度。但壓縮感知光源優化的落地效果，關鍵取決于“優化技術”的工程化實現：算法迭代步驟的合理性決定了優化收斂速度與全局最優性，需明確初始值求解、變量更新、收斂判定的完整邏輯；算法實施細節的精準度（如稀疏基適配選擇、測量矩陣構建、噪聲抑制策略）則直接影響優化結果的穩定性與可制造性，是技術從理論走向工程的核心橋梁。

本文聚焦壓縮感知光源優化的優化技術核心，系統拆解算法迭代的完整流程，深入剖析關鍵實施細節，厘清技術落地的核心環節，為壓縮感知光源優化在先進光刻工程中的高效應用提供可復用的技術框架與實施參考。

02/算法迭代步驟

通過解決l₁范數優化問題，可以獲得最佳光源圖形。該問題可以使用在CS領域開發的多種算法來解決。在優化前計算I^s_cc矩陣，可以減少運行時間。

通過線性Bregman算法迭代更新光源的2D-DCT系數θ，該算法計算效率高、圖像對比度高，流程如下：

迭代過程中，門運算承擔著參數精準篩選的關鍵角色：

? 若參數的絕對值小于設定閾值，會直接調整為0；

? 若參數絕對值不小于該閾值，則結合參數自身的符號（正/負）與閾值運算，實現參數的定向調控。

其中的符號判斷由符號函數完成：參數非負時符號為1，參數為負時符號為-1——通過這一機制，最終得到的光源核心參數（2D-DCT系數）將更精準匹配光刻需求。

03/算法實施細節

為兼顧“優化效率”與“工藝適配性”，算法設置了多重細節保障：

對稱性保持：僅更新光源圖形左上四分之一區域的像素，再通過對稱規則同步更新其余區域，既簡化運算量，又保障光源結構的合理性；

非負性與模糊消除：利用更新后的核心參數計算光源圖形時，主動忽略強度低于10^-4的像素，再轉換回對應變換域啟動下一次迭代——有效規避光源圖形的非負性異常與模糊問題；

約束近似處理：由于線性約束下“目標圖形與實際成像光強的完全匹配”難以嚴格實現，算法將二者的差異近似為隨機噪聲，平衡了優化嚴謹性與實施可行性。

這套算法既實現了光源圖形的高效優化，又通過多重細節保障了結果的精準性與工藝適配性，為先進光刻的圖形復刻提供了可靠技術支撐。

04/先進技術與未來發展方向

當前，壓縮感知光源優化技術已在算法迭代與實施層面實現關鍵突破：

迭代步驟上，通過“初始稀疏解生成-自適應變量更新-多指標收斂判定”的閉環設計，解決了傳統迭代易陷入局部最優的痛點，收斂速度提升50%以上；

實施細節上，自適應稀疏基選擇策略適配不同光刻圖形需求，改進型測量矩陣構建方法降低了噪聲干擾，使光源優化精度誤差控制在2%以內，成功支撐3nm節點光刻制程的工程應用，較傳統技術節省40%計算資源。這些突破讓壓縮感知光源優化從理論模型邁向穩定高效的工程化落地，成為先進光刻光源調控的核心技術路徑。

未來，技術發展將圍繞迭代效率與場景適配性深化突破：

一是AI與迭代算法深度融合，通過深度學習預判最優迭代初始值與步長，實現迭代過程的自適應調控；

二是多物理場迭代模型構建，將EUV光刻的偏振、熱效應等融入迭代流程，優化實施中的參數補償機制；

三是跨流程協同優化，聯動掩模優化、OPC等環節設計統一迭代框架，提升全鏈路光刻性能；

四是極端制程適配，針對1nm及以下節點研發量子輔助迭代算法與新型稀疏變換技術，突破現有精度與效率瓶頸，推動壓縮感知光源優化向更精準、更高效的方向演進。