01/简介
随着集成电路制程持续向3nm及以下节点突破，光刻系统中的光学衍射、掩模三维效应与光致抗蚀剂非线性响应形成强耦合，使光源-掩模优化、光学邻近校正等核心环节面临“精度-效率-鲁棒性”三重挑战。
传统线性压缩感知技术因难以刻画光刻系统的复杂非线性映射，优化结果易出现工艺窗口收缩；经典贝叶斯方法虽具备统计建模优势，但固定先验分布无法适配多样化光刻图形，导致最优信号估计精度不足。在此背景下，融合贝叶斯统计与压缩感知的BCS（Bayesian Compressed Sensing）计算光刻理论应运而生，成为破解上述瓶颈的关键理论支撑。
BCS计算光刻理论的核心优势在于通过统计建模与稀疏优化的协同，实现光刻系统的精准调控，其技术体系围绕三大关键模块构建：BCS问题模型作为理论基础，通过融入光刻物理机理建立稀疏信号与观测数据的关联，突破线性模型的适配局限；
先验分布与边缘概率密度建模为统计推断提供依据，动态适配不同图形特征的稀疏性规律，提升模型鲁棒性；最优信号估计与迭代优化则为工程化求解提供路径，通过高效迭代算法实现精度与效率的平衡。本文聚焦BCS计算光刻理论体系，系统解析各核心模块的构建逻辑与内在关联，阐明其在光刻优化中的作用机理，为先进计算光刻技术的工程化应用提供理论支撑。
在先进制程光刻的光源优化中，贝叶斯压缩感知（BCS）光源优化技术是实现“少测量、高精度、易制造”光源的核心支撑——它以概率统计与先验约束为核心，让光源信号的重构既高效又贴合实际工艺需求。
02/BCS问题模型
BCS聚焦的核心问题模型，是通过“已知的压缩测量向量”恢复“未知的光源信号”：其中，已知的压缩测量向量是实际采集到的光刻数据，未知信号对应待优化的光源信息，二者通过线性映射关联，过程中可能存在高斯噪声干扰。
而BCS的核心目的，是在已知测量数据的前提下，重构出以零元素为主的稀疏信号（即光源信息）——这种“稀疏性”恰好匹配了光刻光源“简洁易制造”的需求，同时让模型关系尽可能贴近实际情况。
03/先验分布与边缘概率密度
为避免重构过程的盲目性，BCS引入广义高斯分布作为未知光源信号的先验信息：通过“先验方差向量”，我们可以精准控制光源信号中每个元素的分布特征，给重构过程加上“贴合光刻场景的合理约束”——这让光源信号的恢复不再是随机尝试，而是更贴合实际工艺属性的定向优化。
控制先验信息的超参数（如先验方差向量），并非随意设定：它是通过“最大化边缘概率密度”（或二类最大似然）从实际数据中估计得到的，对应着最小化特定目标函数。这个目标函数关联了测量数据、噪声特征与先验信息，是BCS在“超参数空间”优化的核心“导航标”——能帮我们找到最适配当前光刻场景的先验约束。
04/最优信号估计与迭代优化
一旦确定了最优的超参数，待优化的光源信号（未知信号）就能直接通过“超参数、线性映射、测量向量”的协同计算得到——这一步可快速锁定当前约束下的“理想光源信号”，实现光源优化的初步精准落地。
为匹配光刻对光源的高要求，BCS还支持在“光源信号空间”内进一步迭代优化：通过持续求解“加权正则化目标函数”，每一轮迭代都会根据当前的光源信号结果更新权重，反复优化直到信号收敛。这种方式能进一步提升光源信号的精度，让最终的光源既满足稀疏易制造的需求，又能适配光刻的高分辨率要求。
这套BCS光源优化技术，通过“稀疏重构+先验约束+双层优化”的分层逻辑，实现了“少测量数据、高精度结果、易制造光源”的三重价值，是先进制程光刻突破光源优化瓶颈的核心技术之一。
05/先进技术与未来发展方向
当前，BCS计算光刻理论已在核心技术模块实现工程化突破，为先进制程光刻优化提供了坚实理论支撑。BCS问题模型通过融入光刻系统非线性效应（如掩模三维衍射、光致抗蚀剂响应），构建了“物理机理-统计建模”融合框架，使光源-掩模优化的拟合误差控制在2.5%以内；
先验分布与边缘概率密度建模方面，动态贝叶斯先验设计适配不同图形特征，结合马尔可夫链蒙特卡洛方法提升了边缘概率密度估计精度，复杂图形优化的鲁棒性提升40%；最优信号估计与迭代优化环节，改进型贝叶斯迭代算法解决了传统方法收敛迟缓问题，收敛效率提升55%，在3nm节点验证中实现线宽误差≤1.8nm，较传统技术节省35%计算资源。
未来，技术发展将围绕“模型泛化”与“求解高效”双向深化。
• AI赋能先验建模，通过深度学习挖掘光刻图形隐性特征，实现先验分布的自适应生成，提升边缘概率密度估计的场景适配性；
• 多物理场问题模型升级，融入EUV光刻偏振、热变形等极端效应，完善BCS模型的物理约束；
跨流程协同优化，联动OPC、掩模制造工艺构建全链路贝叶斯估计框架，解决优化结果可制造性瓶颈；
• 极端制程突破，针对1nm及以下节点研发量子贝叶斯迭代算法，结合量子稀疏表示优化信号估计流程，突破传统计算复杂度限制，推动BCS理论向更精准、更高效的工程化方向演进。