推动半导体制程持续演进的「三剑客」：机器学习、GPU 与曲线光罩

透过以影像轮廓萃取（contour extraction）为基础的模型校准，就能充分利用这些数据提升建模的精度，降低对昂贵量测设备的依赖。Siemens EDA

在产业迈向2纳米（N2）甚至埃（Angstrom，Å）等级先进节点的过程中，半导体制造的每个步骤都必须更加小心翼翼，光罩合成（Mask Synthesis）是其中之一；必须能精准将电路设计图案从光罩转移至晶圆片，才能实现制程的高良率。

为因应此一艰钜挑战，Siemens EDA研发副总裁彭丹平（Danping Peng）在2025年度SEMICON Taiwan 2025国际半导体展的先进制程科技论坛上，提出了三项突破性的技术解决方案：机器学习、GPU加速，以及曲线光罩（Curvilinear Mask）及其最新进展与应用状况。

高精度光罩建模的新利器──机器学习

「在半导体制造中，图案化（patterning）是第一个、也是最关键、最昂贵的步骤。我们所做的一切，都只有一个目的：确保晶圆上的成像品质；」彭丹平在论坛的专题演讲一开始引述了法国作家大仲马的经典小说《三剑客》（The Three Musketeers）的名句「All for One」，指出图案化是先进制程的成功基础，而业界各种努力最终都指向同一个目标——提升电路图案在晶圆片上的精确度。

随着半导体制程进入2纳米以下节点，传统的微影模型误差已不再是主导电路图案品质的因素，蚀刻、量测与光罩制程同样成为影响良率的关键。彭丹平强调，要达到所需的图案化精度规格，单靠既有的建模方法已经不够，必须利用机器学习方法来处理更复杂的物理效应。

同时，材料与设备端的创新也需被纳入光学邻近校正建模解决方案，才能实现从光罩到晶圆的全面最佳化，确保先进制程的稳定性与量产良率。

他进一步解释，传统基于公式的模型，在复杂条件下常出现准确度瓶颈。机器学习则能捕捉过去难以描述的细节，不仅在光阻模型上表现优异，甚至在业界长期无解的蚀刻建模上，也展现前所未有的突破。他指出，蚀刻结果才是真正决定芯片效能的关键，而机器学习让模型能够首次精准对应实际蚀刻后的电路图案，这是业界在过去二十年未能达到的成果。

实验数据显示，机器学习模型的误差分布更窄、更对称，接近理想钟形曲线，代表模型已达到产业级应用的水准。这意味着工程师不再需要依赖经验法则来调整偏移，而能直接透过模型驱动的修正，提高设计与制造的协同性。

突破数据与运算的瓶颈

然而，机器学习的成功必须要有大量且高品质的数据；彭丹平提醒，其实利用扫描式电子显微镜（SEM）的影像数据，不只能预测临界尺寸（CD），也能掌握边缘放置误差（EPE）与叠对精度（overlay），建构更有效的机器学习模型，透过以影像轮廓萃取（contour extraction）为基础的模型校准，就能充分利用这些数据提升建模的精度，降低对昂贵量测设备的依赖。随着3D结构的盛行，穿透式电子显微镜（TEM）将进一步为3D建模提供支持。

彭丹平也指出，要让以SEM数据为基础的机器学习模型能在GPU上进行校正，必须彻底改变建模方式，将软件全面转为以影像为核心，才能与GPU的平行运算特性兼容。这样的流程不仅效率更高，也带来更高的准确度。他强调，GPU能让过去受限于边界条件与折线化处理的反向微影技术，进一步实现真正的曲线光罩设计，且能在合理时间内完成全芯片等级运算。

迎接曲线光罩量产新时代

曲线光罩过去在理论上被视为比曼哈顿形状──即方形设计──光罩更好的选择，因为能在更宽广的范围内确保图形的精确度、达到更高良率，这样的优势会在先进制程节点更为显着。

然而，受制于传统单电子束光罩写入机以及ILT对高复杂度运算的需求，曲线光罩一直无法全面推广；如今，随着多电子束光罩写入技术的成熟，以及透过GPU加速可提升达数十倍的模拟运算效能，曲线光罩的时代也将真正来临。

针对曲线光罩在先进制程节点的应用，Siemens EDA的Calibre Curvilinear Solutions工具套件，可提供从设计到制造的完整端对端数据准备流程，致力于解决传统方法难以克服的曲线边缘挑战。

此套件涵盖OPC、偏移修正，制程校准（MPC）、次级解析辅助特徵图案（SRAF）插入等工具，帮助客户以更经济且高效的方式实现曲线光罩制造，在提升设计自由度的同时也能确保制造精确度，所有领先的整合元件厂（IDM）与晶圆代工厂都能从这些解决方案中受益。

生成式AI的无穷潜力：光罩合成步骤的圣杯？

彭丹平也特别提及生成式AI在光罩设计上的颠覆性潜力；他指出，过去虽然机器学习已被广泛应用于建立完整模型，但当要解决反向问题、从设计推导最佳解时，却始终受限于庞大的数据需求与冗长的训练时间：「如果我们能建立一个机器学习模型，不仅能预测设计图案在晶圆上的成像，还能直接反推出解决方案，那将是我们产业的圣杯；」然而，以往生成数据与训练模型的时间甚至比直接执行ILT还长，难以落地。

如今，生成式 AI 的加入改变了这个格局。彭丹平指出，初步成果显示以AI生成的光罩图案虽与原始数据不同，但成像品质更佳，展现「超越数据本身」的潜力。他将之比喻为一种「不求人」（bootstrap）的过程：「数据只是让模型起飞的跑道，真正的飞行，是透过不断最佳化，逐步超越数据本身；」而这样的突破，将根本性地解决先进制程中「好数据难求」的问题。

展望未来，他再次强调机器学习、GPU与曲线光罩「三剑客」将共同推动半导体制程走向新时代的无穷潜能，并以演讲开头提到的小说名句「All for One」的下半句「One for All」作为总结，预言半导体制程技术与AI将「相互成就」：没有先进半导体制造，人们不可能享受到AI工具带来的各种便利与效率，而AI也正为半导体技术的持续进展带来贡献，成为业界推进摩尔定律极限的关键力量之一。

如欲了解更多，欢迎至：机器学习加速曲线光罩ILT配方最佳化，助攻先进制程突破。