了解到隨著摩爾定律的不斷發(fā)展，掩模版圖經(jīng)過曝光后的成像由于光學鄰近效應會產(chǎn)生畸變，無法獲得預期的芯片電路，導致芯片最終無法使用。因此設計的掩模版圖需要通過光學鄰近效應修正（OPC）才能在曝光后的芯片上獲得高品質(zhì)的成像圖形。

然而當技術節(jié)點來到28nm以下，僅僅對掩模版圖進行光學鄰近效應修正（OPC），已經(jīng)沒有辦法滿足分辨率和工藝窗口的要求，這個時候我們需要在對掩模進行優(yōu)化的同時也對曝光時的光源進行優(yōu)化，即光源掩模協(xié)同優(yōu)化（Source Mask Optimization, SMO）。

“獨一無二”的圖形

在實際的芯片制造過程中，我們的***通過照明系統(tǒng)將光傳送到掩模版上，再通過投影系統(tǒng)，將包含掩模版圖信息的光打在了晶圓上，最終在晶圓表面形成我們需要的芯片結構。由此可見，對光源和掩模版的協(xié)同優(yōu)化，雖然復雜，但是對提高芯片制造的精度和良率有著極大的好處。

?

好比我們在拍照的時候，為了得到一張清晰好看的圖片，會不斷調(diào)整光線的強度和方向，同時調(diào)整模特的姿勢和位置，再通過調(diào)整光圈大小和聚焦位置，從而最終獲得令人滿意照片的道理是一樣的。

由于SMO優(yōu)化的結果是要應用到整塊芯片上去的，而對所有的圖形進行SMO是極為耗時的，因此，我們需要使用關鍵圖形篩選技術提前將重復或者冗余的圖形剔除，以保證優(yōu)化的速度。

?

這一關鍵技術就好比是從14億人中找出2000個人大代表，既要保證能找到各個地區(qū)，各個行業(yè)，各個年齡段等等的代表，不漏選，又要保證各個代表相互不完全相同，不多選。

圖片3.?關鍵圖形篩選過程

可以想像，這一關鍵技術作為SMO優(yōu)化的前提，其重要性不言而喻，ASML的Brion團隊開發(fā)了一套基于頻譜分析的圖形篩選方法，能夠很好地滿足這一要求。

不同光源掩模表征方法

在完成關鍵圖形的挑選工作之后，接下來我們就可以開始進行優(yōu)化工作，而進行優(yōu)化的基礎是如何對光源和掩模進行表征，將其處理成計算機容易識別且便于運算的形態(tài)。目前針對光源的表征方法主要有兩種，一種是參數(shù)化表征方法，另一種是像素化表征方法。

參數(shù)化光源

參數(shù)化光源，顧名思義，就是通過定制化參數(shù)的方法來表示光源，由于其涉及的參數(shù)少，優(yōu)化自由度較少，因此只能產(chǎn)生較簡單的定制化光源，但其優(yōu)點是優(yōu)化速度快。

像素化光源

像素化光源則是將整個光源劃分成若干個像素塊（類似若干個小燈泡），然后通過優(yōu)化，確定哪些燈泡需要點亮，點亮的強度是多大，這就給了光源極大的優(yōu)化自由度，可以產(chǎn)生更多更復雜的光源，但是由于自由度過多，導致優(yōu)化效率較低，這個時候就需要更加出色的優(yōu)化算法。

對于這兩種不同表征方法的光源，目前可以通過兩種不同的組件獲取，一個是DOE，即Diffraction?Optical?Element，一個是FlexRay。

通過這兩種組件我們可以得到不同類型的光源，下圖展示了多種DOE光源以及一個FlexRay獲取的光源示意圖。

圖片4.?兩種典型的光源表征：

參數(shù)化光源(左)和像素化光源(右)

而對于掩模的表征，也有兩種方法，一種是多邊形表征方法，另一種是像素化表征方法。

多邊形表征方法

多邊形表征方法是將負責的掩模圖形分解成多個多邊形的組合，然后對不同的多邊形分別進行優(yōu)化，這種方法的優(yōu)點是優(yōu)化速度快，缺點是優(yōu)化自由度少，導致優(yōu)化不完全。

像素化表征方法

想要優(yōu)化得更精確，我們需要將掩模圖形分解得更加精細，這就是像素化表征方法的精髓，我們將掩模分解成若干多個細小的像素化小方塊，這樣一來就可以對整個掩模進行更加精細的優(yōu)化，但是隨之帶來的就是優(yōu)化自由度的指數(shù)化增長，這對我們的優(yōu)化算法提出了很高的要求。

圖片5.?不同的掩模表征方法：

多邊形表征圖形(左)和像素化表征圖形(右)

高效可靠的算法

可以看出，無論是對于光源的優(yōu)化，還是對掩模的優(yōu)化，高效精確的算法將直接決定SMO的最終結果。目前關于SMO的優(yōu)化算法主要有兩類。

梯度優(yōu)化算法

這類算法在給定的初始光源和掩模的基礎上，通過光刻模型的梯度信息對它們進行優(yōu)化，當達到給定的收斂條件，隨即停止優(yōu)化，輸出結果，其優(yōu)化速度快，但是容易掉進局部最優(yōu)解中，因此對初始參數(shù)設定要求較高。

啟發(fā)式優(yōu)化算法

通過結合各種不同的優(yōu)化機制，可以很好的避免“掉坑”情況的發(fā)生，保證最終找到的優(yōu)化結果一定是全域最優(yōu)解，但是這類算法優(yōu)化效率較低。

目前市面上SMO的算法都是基于這兩類算法的改進衍生。

砌好了灶，架好了鍋，油鹽醬醋以及各種食材都已備齊，接下來就是如何烹飪一道SMO的大菜了。而判斷我們的SMO這道大菜是否完美的標準就是成像圖形是否達到最優(yōu)。

首先，我們會在計算之初根據(jù)目標掩模圖形設置一個理想且完美的成像圖形。然后，不斷優(yōu)化改變光源和掩模。每一步優(yōu)化，我們都會計算得到一個成像圖形，將這個計算出來的圖形與理想的圖形進行對比，然后將它們的差值作為一個關于光源，掩模等因素的函數(shù)，不斷優(yōu)化，直到相鄰兩次優(yōu)化結果的差異小于我們的預設值，達到收斂標準，即完成優(yōu)化。

由此可見，影響SMO優(yōu)化的因素諸多，就好比油鹽醬醋的量都會影響整道菜肴的口味一樣。

綜上對SMO進行的簡單介紹，可以看出通過光源和掩模的協(xié)同優(yōu)化，可以極大地提高成像質(zhì)量，為先進節(jié)點芯片的量產(chǎn)提供了堅實的基礎和重要的保障，推動著芯片制造向著更先進技術節(jié)點持續(xù)發(fā)展。

編輯：黃飛

?