超越 EPE 预算：构建下一代计算光刻

在最近的 SPIE Photomask Technology + Extreme Ultraviolet Lithography 会议上，一个专家小组讨论了边缘放置误差（EPE）日益增长的重要性。我很荣幸与主持人 IBM 的 Jed Rankin，以及同台嘉宾 Carl Zeiss SMT 的 Hans Stiepan、Micron Technology 的 Ezequiel Vidal-Russell、ASML 的 Jo Finders、Tekscend 的 Il-Yong Jang 和 Applied Materials 的 Vivek Balasubramanian 一起参与讨论。我们共同带来了涵盖 OPC 与 EDA、掩模技术、光刻系统、材料和计量的多重视角。有一点很快变得清晰：EPE 已不再是一个狭义的光刻指标。它正在成为一项系统级指标，衡量我们整个行业将设计意图转化为可制造、高良率器件的能力。掩模、扫描仪、光刻胶、刻蚀工艺、计量、OPC 以及下游集成都有贡献。每个学科都可以优化自己的部分，但一系列局部最优并不会自动产出最好的器件——即使每个人都带着一份出色的幻灯片到场，解释为什么自己负责的部分已经优化到位。

EPE 已成为一个系统性问题

随着间距微缩变得愈发困难，对放置、变异性和图形保真度的更严格控制成为延续微缩的主要路径之一。挑战在于，EPE 是一个无上限的预算。掩模三维效应、吸收层轮廓、侧壁角、关键尺寸均匀性、套刻、扫描仪行为、光刻胶变异性、刻蚀、随机效应、工艺诱导应力，甚至晶圆或芯片键合，都可能移动边缘或改变其电气后果。然而现场观众调查给出了一个格外熟悉的结论：OPC 既被视为 EPE 的主要来源，也被视为未来降低 EPE 的首要抓手。换言之，OPC 被塑造成了反派兼超级英雄。Jed 顺势开玩笑，问我和 Ezequiel 需要行业其他方面提供什么才能扛起这份超级英雄的重担。到了最后一轮投票，对 OPC 的信心上升到了 58%——这引发了一个预测：下次我可能会穿着紧身衣出场。我很乐意接受这份信任；披风或许可以商量。

EDA 的挑战：不要再把残余误差当作一个大杂烩

如今，许多难以隔离的效应被吸收进经验修正、规则表或一个“刻蚀”项中。在生产环境中，这种做法务实且往往是必要的，因为重复性、运行时间、良率和交付时间比完美的解释更重要。Ezequiel 很好地概括了这一困境：看到投票结果后，他不确定 OPC 社区应该感到鼓舞还是担忧。观众显然期望 OPC 处理所有系统性且可修正的效应——并且在可能的情况下，降低对不可修正效应的敏感度。对任何超级英雄来说，这都是一份令人敬畏的职位描述。但即便是 OPC，也需要好的物理、好的数据和一个工艺窗口；它不可能一跃跨过一个不准确的模型。随着公差缩小，被我们扫进修正桶里的效应相对于剩余的工艺窗口变得越来越大。因此，EDA 必须更完整地表示真实的制造系统：不是一个属性均匀的理想化掩模，而是依赖于图形的掩模轮廓、真实的计量行为、扫描仪效应、工艺变异性，以及它们之间的相互作用。

要的不是更多数据，而是更好的数据

仅仅拥有更多数据并不是答案。我们需要的是具有物理意义、足够可重复以用于制造、并与晶圆上重要图形相关联的数据。单张 SEM 图像所包含的信息远不止一个提取出的 CD。轮廓、剖面、粗糙度、位置、局部几何和图形上下文都可以为更好的模型提供依据。与此同时，没有任何一家晶圆厂能够测量所有东西。OPC 和工艺模型应帮助识别对晶圆敏感度最高的图形，对热点进行排序，并将这种敏感度转化为掩模和晶圆测量需求。这闭环了一个关键循环：建模指导测量，测量改进建模，两者共同将资源集中于与良率相关的问题。

AI 必须与物理和验证相结合

我相信人工智能将在未来 EPE 降低方面带来最大的收益之一。机器学习可以捕获难以直接建模的残余系统性行为，而智能体系统可以协调传统上相互独立的领域之间的优化。但半导体制造不能依赖一个无法解释的黑箱。一个报告零 EPE 却不说明为何可信的模型并不具备生产就绪性。前进的道路是可解释的 AI：以严格的仿真为锚点，通过适当的计量进行验证，受已知物理规律约束，并监控其可安全应用的工况条件。

智能体系统应解决明确的工程问题

智能体 AI 不应在“它会自行发现全局最优解”的假设下被随意释放到整个生态系统中。应用将从定义明确的问题开始：降低全局 CDU、选择稳健的掩模几何、共同优化光源和掩模、确定计量的优先级，或将图形变化与电气影响关联起来。对于每个问题，我们必须定义目标、所需数据、系统可以调节的旋钮、物理约束以及验证标准。信心将在局部逐步建立，成功的智能体随后可以被连接到更广泛的工作流程中。

EDA 必须将 EPE 与功耗、性能、面积、成本和良率联系起来

我们的客户并不出售 EPE；他们出售的是由功耗、性能、面积、成本和良率定义的产品。某些 EPE 限制是硬性的几何边界：一旦超出，结构就会短路、断路或失效。其他误差则处于灰色地带，其重要性取决于器件行为。EDA 有机会弥合这一差距，将电气仿真、随机分析、光刻、掩模优化、工艺建模和设计工艺协同优化纳入统一的决策流程。目标不是简单地处处实现最小的几何误差，而是将工艺裕量分配到能创造最大产品价值的地方。

图 1：采用随机建模技术的工艺仿真可以在掩模版制造之前预测导致设计出现电气问题的工艺特性。

协作是从局部优化走向全局优化的路径

代工厂和 IDM 厂商处于这一机遇的中心，因为他们看到完整的制造流程，并掌握着连接掩膜、光刻机、工艺、器件和良率的数据。EDA 供应商需要与他们建立更深入的合作伙伴关系，同时也要与掩膜制造商、量测供应商和光刻设备供应商深化合作。这些伙伴关系必须实现安全、有目的的数据和上下文共享——而不是为了收集数据而收集数据。最有价值的合作将定义通用的 EPE 框架，揭示相关的工艺敏感性，排定主要贡献因素的优先级，并在每个误差仍可被理解和纠正的阶段建立闭环反馈。

行业的一个务实方向

• 构建更完整的物理表征。对依赖于图形的掩膜结构、工艺交互、随机性行为以及随时间变化的状态进行建模，而不是把它们隐藏在单个残差项中。
• 让量测由模型驱动并与器件相关。利用 OPC 和仿真识别敏感图形，然后测量对晶圆性能影响最大的位置和属性。
• 将 AI 与严谨的仿真相结合。用机器学习捕捉残差并加速预测，同时由基于物理的模型提供可解释性、边界条件和验证。
• 先将智能体系统应用于有边界的问题。在扩展到整个工作流之前，先定义目标、输入、控制项和成功标准。
• 以产品结果为导向进行优化。将 EPE 决策与功耗、性能、面积、成本、良率和可制造性关联起来。
• 在整个生态系统中闭合反馈环路。让 EDA、掩膜、量测、光刻机、代工厂和 IDM 团队围绕统一的定义和按优先级排列的贡献因素协同工作。

EPE 时代将持续数十年

EPE 缩放不是一个暂时阶段。随着行业从平面缩放走向三维集成，并最终走向随时间变化的系统级优化，EPE 的定义将持续演进。晶圆到芯片键合、新器件架构、曲线掩膜、高数值孔径（high-NA）光刻，以及制造与电性能之间更紧密的耦合，都将带来新的校正和优化问题。EDA 的机遇在于成为连接这些领域的智能纽带——结合物理、数据和有目的的 AI，把碎片化的工艺知识转化为可制造的成果。读者们也许已经准备好把 OPC 称为 EPE 的救世主，我很感谢这份信任。但真正的超级力量，将来自为 OPC 提供更好的掩膜知识、更好的量测、更好的工艺上下文，以及与器件性能更紧密的关联。这才是我们延续缩放之路的方式：不是让某一个团队独自披上披风，而是让生态系统的每一个部分协同合作。