01/简介

当前，压缩感知光源优化的仿真技术已实现标准化与精准化双重突破，为技术落地奠定坚实基础。仿真条件层面，通过构建统一的光源参数基准、掩模图形库及光学成像模型，建立了可复现的标准化仿真环境，解决了传统仿真中参数离散导致的对比误差问题。

接下来以竖直线条为目标图形进行仿真分析，对比分析在不同变量下曝光图像的情况。

02/仿真条件

目标图形：竖直线条（CD=45nm，占空比1:1）、水平条块。

光刻参数：波长193nm，NA=1.2，浸没介质折射率1.44，掩模尺寸4020nm×4020nm（201×201像素），光源41×41像素。

曝光图像的计算公式：

Print Image = Γ（Inorm-tr）

其中Inorm=I/Qsum为归一化空间像，Γ（x）为硬判决函数，tr为光刻胶阈值。使用归一化的空间像计算曝光图像，因为光刻胶阈值是通过假设的单位曝光剂量来选择的。

03/仿真结果对比

光源与成像效果：（硅片采样像素数）时的优化后光源、焦面/离焦面成像，表明CS-SO可实现清晰成像。

M为硅片上随机选择的采样像素的数量。

不同M下针对竖直线条图形CS-SO方法获得的SO结果及曝光图像

不同M下针对竖直线条图形CG-SO方法获得的SO结果及曝光图像

结论：

• CS方法可以获得更简单合理的光源图形及其强度分布。

• 优化的光源图形随采样像素的数量而变化，选取较多的采样像素优化的光源进行成像后，PAE相对较低；选取较少的采样像素优化后，最后成像的 PAE 较高。

DCT系数稀疏性：优化后光源的DCT系数稀疏，因为忽略了极弱光源像素，所以便于平衡DCT域与光瞳域稀疏度。

优化得到的光源图形DCT系数

采样像素分布：随机选择硅片上的采样像素，聚焦关键区域控制成像性能。

硅片上随机选择的采样像素的分布

结论：

• CS方法成功保留了光源图形的稀疏性，即优化后的光源仍是稀疏的。因此，CS方法可以获得比 CG方法更简单合理的光源图形及其强度分布。

• 更改采样像素数量将更改线性约束，从而导致不同的最佳光源图形。选取较多的采样像素优化的光源进行成像后，PAE相对较低；选取较少的采样像素优化后，最后成像的 PAE 较高。

基于竖直线条图形的PAE、空间像对比度和不同仿真的运行

结论：

• 当采样像素数M减少时，成像保真度指标PAE会增加，空间像对比度则降低。

• 与传统CG方法相比，CS-SO方法在相同采样像素数下，获得的图像误差更小、保真度更高、图像对比度更高。

因为CS方法应用了线性约束，在采样像素上强制实际空间像等于目标图形。此外，CS方法的优化速度比CG方法提高4~5倍，选择较少的采样像素可有效减少运行时间。

竖直线条图形的PAE和对比度的收敛曲线比较

结论：CS 方法比 CG 方法收敛特性更稳定。

不同M的CS方法和CG方法的PW

结论：对于 CS 方法和 CG 方法，随着采样像素数增加，二者的工艺窗口（PW）都会扩展，且 CS 方法能实现更大的 PW，有效提高光刻系统对工艺变化的鲁棒性。

总结：CS-SO方法与 CG-S0方法对比，仿真结果证明了 CS-SO 方法在光源可制造性、成像性能、PW 和计算效率方面的优越性。

04/先进技术与未来发展方向

未来，仿真技术将向“精准映射”与“全链路覆盖”演进。
• AI赋能仿真建模，通过深度学习优化光源-成像的非线性映射关系，实现仿真参数自适应调优，降低极端制程建模误差；
• 多物理场耦合升级，融入EUV光刻偏振、掩模、三维衍射及热变形等因素，提升仿真与实际制程的契合度；
• 跨流程协同仿真，联动掩模制造、刻蚀工艺构建全链路模型，预判光源优化对后续工序的影响；
• 极端场景突破，针对1nm及以下节点研发量子化光学仿真模型，突破现有精度瓶颈，为技术迭代提供前瞻性支撑。