本文提出了一种能够通过学习版图瓦片依赖性来实现无需传统工具干预的无缝大规模光刻版优化的卷积傅里叶神经操作器(CFNO),并通过训练机器学习模型发现了光刻引导的自学习(LGST)的可能性,实现了迭代模型和数据集更新,加快了优化速度,并优于同类学术数值版优化器。
Jul, 2022
本文提出了DevelSet框架,它是一种GPU加速的、基于深度神经网络的水平集OPC框架,可用于金属层的光刻,相比于现有技术,在适性和运行时间方面有显著提升。
Mar, 2023
本研究提出了一种基于黑箱优化(BBO)框架(称为WireMask-BBO)的宏单元布局方法,通过使用电线掩蔽引导的贪婪过程进行目标评估。该算法在缩短半长度周边线的同时,大大节约了时间,具有在芯片布局方面提高质量和效率的潜力。
Jun, 2023
我们提出了一种新的fab-in-the-loop强化学习算法,用于设计考虑纳米制造过程中的不完美之处的纳米光子元件。通过将该算法应用于单刻蚀平台上制造的220nm硅绝缘体(SOI)光子晶体光栅耦合器(PhCGC)的设计,该算法将插入损耗从8.8 dB降低到3.24 dB。使用我们的fab-in-the-loop算法产生的最宽带宽设计能够在其最低点处以少于10.2 dB的损耗覆盖150 nm的带宽。
Jul, 2023
基于水平集的逆向光刻技术在深度学习框架内实现掩膜优化,显著提高印刷性能,减少计算时间,为逆向光刻领域提供了一种高效的解决方案。
Aug, 2023
通过分析原因,本研究提出了一种高度可扩展的端到端流程,以实现生产就绪的机器学习计算光刻修正。
Jan, 2024
该论文提出了一种隐式学习的ILILT框架,利用隐式层学习方法和光刻条件输入,以获取高质量的优化掩模,从而大幅提高效率和质量。
May, 2024
本研究解决了当前半导体制造中光学近似修正(OPC)技术在复杂性和工业化应用之间的差距。我们提出了DiffOPC,一个可微分的OPC框架,通过掺入边缘基OPC和反向光刻技术(ILT)的优点,优化了掩模边缘的移动,显著降低了边缘放置误差并将制造成本减少一半,为先进半导体制造提供了一种有效的解决方案。
Aug, 2024
本研究解决了半导体制造中光学接近校正(OPC)的优化问题,通过提出一种基于AI和大语言模型的方法来提高校正效率。关键创新在于结合了强化学习的OPC配方搜索和定制的多模态智能系统,实验结果表明该方法能有效生成适用于不同芯片设计的OPC配方,显著降低了对经验丰富工程师的依赖。
本研究解决了半导体制造中光学邻近校正(OPC)优化问题,该问题通常需要经验丰富的工程师全职操作。提出了一种基于强化学习的OPC配方搜索和定制多模态代理系统,极大地提高了配方構建的效率,具有重要的应用潜力。研究结果显示,该方法能够在多种芯片设计中有效构建OPC配方。