2021年3月5日消息，近日，中國科學院上海光學精密機械研究所的研究人員提出了一種基于厚掩模模型和社會學習的極紫外光刻（EUVL）源掩模優化（SMO）技術粒子群優化（SL-PSO）算法。

該方法的仿真表明，該技術比基于啟發式算法的類似方法更有效。

研究人員說，隨著集成電路關鍵尺寸的不斷縮小，對精度和最佳性能的要求越來越嚴格。計算光刻在不改變光刻系統本身的硬件或軟件配置的情況下提高了性能，而是通過優化當前的光源，數學模型和算法來提高其性能。

SMO是一種計算光刻技術，可同時優化照明源和掩模圖案，以提高成像質量。

EUVL已被應用于5納米制程節點的大批量生產，而SMO對這項技術的功能至關重要。

為了改進該技術，研究人員提出了一種基于厚掩模模型和SL-PSO算法的EUVL SMO方法。研究人員在模擬中測試的方法使用了基于結構分解方法（SDM）的快速厚模型。SDM通過描述入射光在吸收體和多層中的傳播來計算掩模光譜。

盡管已經對SDM進行了廣泛的研究，但研究人員表示，尚未對像素化相位掩模（本身就是一種分辨率增強技術）進行廣泛的研究。

SL-PSO算法優化了源代碼和掩碼模式，社交學習策略提高了系統效率。另外，調整后的初始化參數控制了算法中的初始群。這改善了掩模的可制造性。

仿真結果表明，與其他啟發式算法相比，該方法具有更快，更有效的效果。圖案誤差顯著降低，成像保真度得到改善。使用位于環縫不同位置的圖案進行的仿真表明，該方法不僅提高了成像保真度，而且減輕了陰影效果。

未來的研究將集中于通過增加掩模像素數量來提高優化效率，以及消除晶圓散焦平面上的圖案偏移。

這項研究發表在《光學快報》上。
編輯：lyn