01/簡介

當前，壓縮感知光源優化的仿真技術已實現標準化與精準化雙重突破，為技術落地奠定堅實基礎。仿真條件層面，通過構建統一的光源參數基準、掩模圖形庫及光學成像模型，建立了可復現的標準化仿真環境，解決了傳統仿真中參數離散導致的對比誤差問題。

接下來以豎直線條為目標圖形進行仿真分析，對比分析在不同變量下曝光圖像的情況。

02/仿真條件

目標圖形：豎直線條（CD=45nm，占空比1:1）、水平條塊。

光刻參數：波長193nm，NA=1.2，浸沒介質折射率1.44，掩模尺寸4020nm×4020nm（201×201像素），光源41×41像素。

曝光圖像的計算公式：

Print Image = Γ（I_norm-t_r）

其中I_norm=I/Q_sum為歸一化空間像，Γ_（x）為硬判決函數，t_r為光刻膠閾值。使用歸一化的空間像計算曝光圖像，因為光刻膠閾值是通過假設的單位曝光劑量來選擇的。

03/仿真結果對比

光源與成像效果：（硅片采樣像素數）時的優化后光源、焦面/離焦面成像，表明CS-SO可實現清晰成像。

M為硅片上隨機選擇的采樣像素的數量。

不同M下針對豎直線條圖形CS-SO方法獲得的SO結果及曝光圖像

不同M下針對豎直線條圖形CG-SO方法獲得的SO結果及曝光圖像

結論：

? CS方法可以獲得更簡單合理的光源圖形及其強度分布。

? 優化的光源圖形隨采樣像素的數量而變化，選取較多的采樣像素優化的光源進行成像后，PAE相對較低；選取較少的采樣像素優化后，最后成像的 PAE 較高。

DCT系數稀疏性：優化后光源的DCT系數稀疏，因為忽略了極弱光源像素，所以便于平衡DCT域與光瞳域稀疏度。

優化得到的光源圖形DCT系數

采樣像素分布：隨機選擇硅片上的采樣像素，聚焦關鍵區域控制成像性能。

硅片上隨機選擇的采樣像素的分布

結論：

? CS方法成功保留了光源圖形的稀疏性，即優化后的光源仍是稀疏的。因此，CS方法可以獲得比 CG方法更簡單合理的光源圖形及其強度分布。

? 更改采樣像素數量將更改線性約束，從而導致不同的最佳光源圖形。選取較多的采樣像素優化的光源進行成像后，PAE相對較低；選取較少的采樣像素優化后，最后成像的 PAE 較高。

基于豎直線條圖形的PAE、空間像對比度和不同仿真的運行

結論：

? 當采樣像素數M減少時，成像保真度指標PAE會增加，空間像對比度則降低。

? 與傳統CG方法相比，CS-SO方法在相同采樣像素數下，獲得的圖像誤差更小、保真度更高、圖像對比度更高。

因為CS方法應用了線性約束，在采樣像素上強制實際空間像等于目標圖形。此外，CS方法的優化速度比CG方法提高4~5倍，選擇較少的采樣像素可有效減少運行時間。

豎直線條圖形的PAE和對比度的收斂曲線比較

結論：CS 方法比 CG 方法收斂特性更穩定。

不同M的CS方法和CG方法的PW

結論：對于 CS 方法和 CG 方法，隨著采樣像素數增加，二者的工藝窗口（PW）都會擴展，且 CS 方法能實現更大的 PW，有效提高光刻系統對工藝變化的魯棒性。

總結：CS-SO方法與 CG-S0方法對比，仿真結果證明了 CS-SO 方法在光源可制造性、成像性能、PW 和計算效率方面的優越性。

04/先進技術與未來發展方向

未來，仿真技術將向“精準映射”與“全鏈路覆蓋”演進。

? AI賦能仿真建模，通過深度學習優化光源-成像的非線性映射關系，實現仿真參數自適應調優，降低極端制程建模誤差；

? 多物理場耦合升級，融入EUV光刻偏振、掩模、三維衍射及熱變形等因素，提升仿真與實際制程的契合度；

? 跨流程協同仿真，聯動掩模制造、刻蝕工藝構建全鏈路模型，預判光源優化對后續工序的影響；

? 極端場景突破，針對1nm及以下節點研發量子化光學仿真模型，突破現有精度瓶頸，為技術迭代提供前瞻性支撐。