Physics-based machine learning-aided method for optical mask generation in the Lithography Process

La fotolitografia è un processo importante ampiamente utilizzato nella fabbricazione di circuiti integrati. Per un tale processo, è necessario sviluppare fotomik, con una certa solidità agli effetti parassiti come la diffrazione, essendo una conseguenza della corsa sempre più ridotta nel settore dei semiconduttori. Con le applicazioni di tali circuiti sempre più complesse e numerose, i clienti stanno diventando sempre più irremovibili riguardo alla qualità dei prodotti, mentre le tecnologie diventano sempre più difficili da controllare. Tali limitazioni devono essere affrontate per migliorare l’affidabilità utilizzando approcci diversi. Questa tesi presenta un flusso di processo che utilizza un approccio basato sulla fisica per modellare la generazione di maschere fotolitografiche utilizzando algoritmi di Machine Learning. Innanzitutto, un capitolo introduttivo presenta il contesto del progetto, quindi un secondo capitolo espone la teoria e gli importanti parametri e tecniche alla base dei due concetti di fotolitografia e Machine Learning. Nel terzo capitolo proponiamo e dettagliamo una modellizzazione e la sua implementazione. Infine, nel quarto capitolo, la realizzazione del flusso di processo è dettagliata con i risultati degli script sviluppati, sia nella preparazione dei dati EDA, nello sviluppo dell’algoritmo principale, sia nell’implementazione della fisica- modello basato che abbiamo proposto in precedenza; i miglioramenti a venire verranno quindi evidenziati per migliorare i risultati complessivi. Parole chiave: Fotolitografia, EDA, GDSII, Litografia inversa, Ottica, OPC, Defocus, Apprendimento automatico, Discesa a gradiente, Reti neurali, Reti neurali convoluzionali, VAE, GAN, TensorFlow, Python.