一种面向无机半导体图形化的先进纳米压印光刻缺陷预测的集成物理与数据驱动框架

《Micromachines》：An Integrated Physics-Based and Data-Driven Framework for Defect Prediction in Advanced Nanoimprint Lithography Toward Inorganic Semiconductor Patterning

　　

先进纳米压印光刻（NIL）在无机半导体图形化方面具有前景，因为它能够以相对简单的工艺流程实现高分辨率复制；然而，产率损失越来越多地源于在涂覆、曝光、刻蚀和压印过程中累积的空间分布亚临界畸变。在本研究中，研究人员提出了一种面向NIL的预制造缺陷风险预测的集成物理与数据驱动框架。该框架结合了NDA安全布局数据库、基于物理的工艺孪生（process twin）以及使用物理增强卷积神经网络（CNN）和保形不确定性校准的随机风险预测模型。从二元设计布局开始，工艺孪生依次捕获旋涂过程中的抗蚀剂厚度变化、电子束光刻（EBL）中的邻近效应诱导剂量再分布和显影诱导图案变形、反应离子刻蚀（RIE）中的密度敏感图案转移，以及压印过程中的三维抗蚀剂填充，从而生成物理一致的参数图用于下游学习。结果展示了一种端到端虚拟检测流程，该流程在制造前将布局转换为空间分辨风险图。此外，具有相似轮廓范围但不同局部密度的图案表现出明显不同的风险分布，表明可制造性不仅受名义几何形状控制，还受局部图案环境影响。这些发现支持预制造虚拟检测作为先进NIL中早期产率风险筛选的物理可解释途径。

先进纳米压印光刻（NIL）因其高分辨率复制能力在无机半导体图形化中显示出潜力，但产率损失主要来源于涂覆、曝光、刻蚀和压印过程中累积的空间分布式亚临界畸变。传统后制造检测方法（如扫描电子显微镜SEM检查）只能事后发现缺陷，无法在制造前干预，导致成本高昂且漏检风险高。为此，研究人员提出一种集成物理与数据驱动框架，以实现布局到空间风险图的预制造缺陷预测。研究通过构建NDA安全布局数据库（含50个代表图案，经旋转和缩放扩充至250个，其中195个用于训练验证、30个校准、25个测试）、基于物理的工艺孪生（process twin）以及物理增强卷积神经网络（CNN）结合保形不确定性校准的随机预测模型，实现了端到端虚拟检测。结论表明该方法能生成空间分辨风险图，且相同轮廓但不同局部密度的图案风险分布显著不同，强调可制造性受局部图案环境影响。该研究发表在《Micromachines》。

主要关键技术方法包括：(1) 基于物理的工艺孪生，依次模拟旋涂厚度变化、电子束光刻（EBL）中的邻近效应剂量再分布和显影变形、反应离子刻蚀（RIE）中的密度敏感转移、以及NIL中的粘弹性填充和固化；(2) 物理增强CNN（采用U-Net架构），以设计布局和物理参数图为输入，重建虚拟SEM图像；(3) 保形分位数回归进行像素级不确定性校准，生成预测区间；(4) Gradient-weighted Class Activation Mapping（Grad-CAM）生成像素级风险图。样本来源为NDA安全布局库，包含250个布局样本（195训练验证、30校准、25测试）。

研究结果部分：
**3.1 End-to-End Demonstration of Physics-Grounded Pre-Manufacturing Virtual Inspection**：通过代表布局展示从输入到过程正演产生ADI（显影后检查）、AEI（刻蚀后检查）、AII（压印后检查）图案及参数图，最终生成风险图，支持预制造虚拟检测的可行性。
**3.2 Quantitative Validation of Uncertainty Calibration and Computational Efficiency**：使用保形校准和迁移学习后，覆盖率从基线模型的约0.905提升至0.96以上，CD误差（ΔCD）从0.038降低至0.012，推理时间达亚秒级，优于纯物理模拟。
**3.3 Physical Consistency of Model Attribution via Grad-CAM Analysis**：Grad-CAM风险图与ADI、AEI、AII阶段误差热图存在空间对应，表明模型关注物理敏感区域，避免数值伪影。
**3.4 Density-Dependent Risk Variation Under Identical Contour Extent**：相同轮廓但不同局部密度的图案风险分布不同，密度增加导致邻近效应增强、传输限制及非均匀填充，可制造性不能仅由几何决定。
**3.5 Why the Integrated Framework Is Stronger than Stage-Isolated or Purely Data-Driven Alternatives**：集成框架保留阶段物理场和不确定性，可追溯上游影响，优于单独阶段模型或纯数据驱动方法，提供可解释风险分布。

讨论部分总结：该研究将检测从反应性缺陷识别转为主动风险筛选，通过阶段物理场保持因果性，密度依赖结果表明布局几何不能单独决定可制造性。局限性包括：采用NDA安全布局而非生产掩模、NIL阶段参数化简化、未与实验SEM数据对比。未来方向包括配方多样化、扩展到其他图形化流程、校准实验数据。结论部分翻译如下：本研究提出了一种面向无机半导体图形化先进纳米压印光刻（NIL）缺陷预测的集成物理与数据驱动框架。通过连接NDA安全布局数据库、基于物理的工艺孪生（process twin）和经保形不确定性校准的物理增强卷积神经网络（CNN），该系统在制造前将设计布局转换为空间分辨缺陷风险图。与传统依赖二元缺陷标签的后制造检测流程不同，该框架将缺陷脆弱性预测为连续场，捕获耦合工艺物理和随机变异性引起的布局依赖敏感性。特别重要的两个结论是：第一，当仿真链保留旋涂、曝光/显影、刻蚀和压印的阶段前驱体场时，可以实现端到端且物理可解释的预制造虚拟检测；第二，具有相似轮廓范围的图案在局部密度变化时表现出明显不同的风险分布，表明可制造性不仅受名义几何影响，还受局部图案环境影响。总之，该框架在确定性工艺理解和随机缺陷风险推断之间提供了实用桥梁，为未来NIL半导体制造中密度感知校正、模板鉴定和工艺优化提供了物理可解释基础。