逆光刻技術（ ILT ）于 2003 年初首次實施并演示。它由彭丹平（ Danping Peng ）創建，當時他在發光科技公司（ Leaming Technologies Inc 。）擔任工程師。這是一家初創公司，由加州大學洛杉磯分校（ UCLA ）的斯坦利·奧謝爾（ Stanley Osher ）和埃利·亞博諾維奇（ Eli Yabonovitch ）教授以及企業家丹·艾布拉姆斯（ Dan Abrams ）和杰克·赫里克（ Jack 。

當時， ILT 是一個革命性的解決方案，它顯示出比光刻圖案化中使用的傳統曼哈頓掩模形狀優越得多的工藝窗口。與直線形狀的曼哈頓面具不同， ILT 的優勢在于其曲線面具形狀。

在其發展之后， ILT 被證明是一種可行的光刻技術，可以在多家內存和邏輯鑄造廠進行實際的晶圓印刷。然而，技術和經濟因素阻礙了 ILT 的采用：

ILT 口罩的計算時間非常長，比傳統的曼哈頓口罩長 10 倍以上。

當 ILT 生成基于模型的輔助特征時，它還遇到了一些瓷磚邊界的縫合問題。

ILT 掩模文件的大小非常大（比傳統掩模文件大 6-7 倍），因此使用可變形狀光束（ VSB ）寫入器進行寫入需要很長時間。

ASML 推出了具有更好焦點和劑量控制的浸入式光刻掃描儀，使用傳統的曼哈頓掩模可以滿足制造需求。

由于這些原因， ILT 的使用主要用于單元陣列打印的內存鑄造廠和邏輯鑄造廠作為熱點修復，或用于基準測試和改進傳統的光學鄰近校正（ OPC ）。

ILT 的現狀

快進到 20 年后的今天，半導體的前景就不同了。在 7nm 及以下的圖形特征尺寸方面的挑戰要求更高的精度和工藝余量。因此，在 ILT 中生產曲線掩模形狀的能力對于克服這些晶圓生產限制變得越來越關鍵。

如今，在 GPU 光刻模擬方面取得的進步比傳統 CPU 計算的速度提高了 10 倍以上，機器學習（ ML ）通過學習現有解決方案，進一步加快了 ILT 模型的速度。

多波束掩模寫入器還可以在固定時間內寫入任何復雜度的掩模，并已成功應用于 HVM 。

最后，下一代光刻掃描儀變得越來越昂貴，因此通過 ILT 從現有掃描儀中提取價值和性能是一個更具吸引力的選擇。

通過 GPU 計算和 ML ，為全芯片應用部署 ILT 正在成為現實。它有望在推動掩模圖案和缺陷檢測技術的前沿領域發揮關鍵作用。

克服邏輯和鑄造生產環境中采用 ILT 的挑戰

要在 logic foundry 環境中成功使用 ILT ，必須解決阻止其大規模采用的問題：

計算時間長

特定于曲線 OPC 的掩碼規則檢查

較大的布局文件大小

計算時間長

由于曲線掩模形狀的復雜性， ILT 需要較長的計算時間。幸運的是， GPU 計算性能和深度學習（ DL ）的最新進展顯著減少了解決這些復雜計算算法所需的時間。

特定于曲線 OPC 的掩碼規則檢查

其次，必須解決特定于曲線 OPC 的掩模規則檢查（ MRC ），因為掩模車間需要一種驗證傳入掩模數據是否可制造的方法。對于曲線遮罩形狀尤其如此，因為它們比直線遮罩形狀更難驗證，因為簡單的寬度和空間檢查不再適用于曲線遮罩。

為了解決 MRC 問題，業界正在趨同于使用簡化規則，例如最小 CD /空間、孔和島的最小面積，以及遮罩邊緣的平滑度（曲率上限）。

較大的布局文件大小

最后，與傳統的直線形狀相比， ILT 生成的布局文件大小大得令人無法接受。尺寸的增加意味著制造業中數據生成、存儲、傳輸和使用的成本顯著增加。

EDA 解決方案

為了解決這個問題， EDA 供應商提出了各種解決方案，并成立了一個工作組，研究由所有利益相關者（ EDA 供應商、工具供應商和鑄造廠）支持的通用文件格式。

GPU + DL： 使用 GPU 解決 ILT 挑戰的理想解決方案

我們與 EDA 供應商和 NVIDIA 的密切合作，形成了自主開發的 ILT 解決方案。使用 NVIDIA GPU 平臺，我們使用 NVIDIA SDK 和庫成功移植了大部分仿真和 ILT 引擎：

接近

卡夫特

庫索爾弗

NVPR ：使用 OpenGL 擴展的 NVIDIA 路徑渲染

Optix RT 計算

還有更多

在 NVIDIA V100 32-GB GPU 上，我們演示了與典型的 CPU 運行相比， ILT 計算的加速超過 10 倍。在光學和抗蝕劑建模的許多關鍵組件中，我們看到了超過 20 倍的加速。

令人鼓舞的結果導致了進一步的發展。目前，我們正在 NVIDIA A100 80-GB GPU 集群上使用內部 ILT 引擎對關鍵層進行生產規模校準和測試。

圖 1 GPU 使用內部 ILT 發動機加速

ILT 的未來機遇

先進的芯片設計越來越依賴昂貴的模擬：從電路性能和時序到散熱。說到制造業， OPC / ILT 需要大量的計算能力，隨著我們向下一個節點的快速推進，計算能力預計會增加。

與黃定律中的觀察結果一致，將 HPC 與 GPU 以及整個軟件堆棧一起使用，將是按時成功推出下一代芯片的關鍵組成部分。更具體地說， HPC +渲染（計算機圖形學）+ ML / DL 的統一加速體系結構將使更好的芯片得以設計和制造，從而有助于提高掩模圖案和缺陷檢測應用的速度和效率。

換句話說，這是一個使用 GPU 來更快更好地設計 GPU 的迭代過程。

為了在 HVM 中快速采用 ILT 口罩，所有利益相關者必須參與合作和協作。

EDA 供應商應確保其 OPC 模擬和校正引擎能夠生成符合標準掩模規則的曲線掩模設計，并將其輸出為可接受的文件大小和格式。

掩模數據準備（ MDP ）供應商應調整其系統以處理這些曲線掩模數據。

面具檢查和審查工具供應商應升級其系統和算法，以檢查、建模和檢測任何潛在缺陷。

毫無疑問，曲線 ILT 掩模設計為電路設計師提供了更大的自由度和創造力，以創建性能更好的電路，同時通過大大簡化的設計規則實現更好的工藝裕度。使用曲線設計的好處將對半導體行業產生重大影響， ILT 將是未來工藝節點發展的關鍵促成因素。

關于作者

Danping Peng在北京大學獲得理學學士和碩士學位，在加州大學洛杉磯分校獲得博士學位，全部為應用數學。在加州大學洛杉磯分校，他在 Stanley Osher 教授的指導下研究了水平集方法的算法及其在移動邊界問題中的應用。

Srinivas Kodiyalam 是 NVIDIA 工業 HPC & AI 團隊的高級 DevRel 經理。他在加州大學圣巴巴拉分校獲得機械工程博士學位。他目前專注于工業 HPC 工作負載和應用程序。在加入 NVIDIA 之前，斯里尼瓦斯曾在通用電氣研發中心和洛克希德·馬丁航天系統公司從事產品工程和開發工作；在 MSC 軟件公司從事軟件開發，并擔任工程軟件公司的首席技術官（由達索系統公司收購）；在 SGI 和 NetApp 的 HPC 和存儲領域。斯里尼瓦斯是美國航空航天學會（ AIAA ）的副研究員。

Andrew Liu 是 NVIDIA 的高級解決方案架構師，幫助客戶構建基于 NVIDIA 技術的創新解決方案。他的研究興趣是將機器學習算法應用于現實問題。在加入 NVIDIA 之前，安德魯是富士康的一名機器學習工程師。他帶領分析團隊，圍繞制造過程開發了各種預測建模項目，包括缺陷檢查和預測性維護等。在博士項目期間，他在洛斯阿拉莫斯國家實驗室的生物科學團隊擔任訪問學者，致力于人類和環境微生物項目。

審核編輯：郭婷