矢量SMO中的SD优化算法实现：从原理到工程落地

聊一个很多做SMO的同行都会绕不开的底层问题：矢量SMO里面的迭代引擎——SD优化算法——到底怎么写才又快又稳。这个系列更新到第13期，前面我拆过光源优化、掩模优化、OPC，这期是把它们真正拼到一起的一次总结。如果你正在自研Source Mask Optimization脚本，或者研究商业系统里为什么会给出某种光源形态，这期应该能让你拿到一张比较清楚的底图。

先说结论：SMO找的不是“更好的掩模”，也不是“更好的照明”，而是光源平面和掩模平面两个高维自由度的共同最优组合。这样做CD均匀性和工艺窗口才能兼顾。而模型一旦进入矢量域，数值优化内核是否可靠，直接决定最终解的质量。SD优化算法在这条链路里不是花架子，它是最容易落地、也最容易控制物理约束的一类迭代方法。

1. 项目思路拆解：SMO与SD优化算法为什么是天生搭档

1.1 SMO在解决的，其实是两个物理平面的“联合回归”

如果把投影光刻当成一个成像系统来看，光从照明系统出来，经过掩模衍射，再进入投影物镜，最后在晶圆表面的光刻胶里形成像。这个过程里，光源决定了哪些角度的光进入系统，掩模决定了衍射能量怎么分配。这两者不是独立影响成像的，而是通过干涉在像面耦合在一起的。

传统做法是先固定一种照明形状，比如环形照明或者Quasar照明，然后专门去优化掩模。这么做在成熟工艺上没问题，但它本质上限制了系统解的搜索空间。光源形状不对，掩模再怎么优化，某些密集线条的工艺窗口也很难打开。SMO做的事情，就是把这个“先后顺序”改成“同时搜索”，让光源和掩模互相配合。

从公式上讲，光源可以表示成一个二维光瞳强度分布S，掩模可以表示成一个像素化的透射率分布M。优化的目标是让成像结果尽量接近目标图形，同时满足对比度、曝光宽容度、掩模可制造性等一系列约束。整个过程很像机器学习里的回归：变量是S和M，损失函数是成像误差，约束是物理可实现条件。

这里有一个很多人容易忽略的点：SMO不是单纯地最小化某个图形误差，它还要保证误差在工艺窗口内是稳定的。实际产线上不能只在一个离焦量、一个曝光剂量下成像完美，要的是在几十纳米离焦范围、一定剂量变化范围内，CD变化都控制在规格内。所以SMO的代价函数通常会包含多个离焦面的加权重构误差。

1.2 从标量到矢量，模型精度上了一个台阶

早期光刻仿真里，大家习惯把光场当作标量来处理。因为低NA时代，光在光刻胶里传播方向接近垂直，忽略偏振和斜入射影响，误差不太大。但当NA上到0.85，尤其是1.2以上的浸没式光刻之后，光在光刻胶内的斜入射角非常大。再拿标量模型去算，边缘CD的误差可能达到几十纳米，这个量级足以让整个优化方向跑偏。

矢量模型要做的事情，是从麦克斯韦方程层面去描述光的传播。每个光源点和每个衍射级次，都需要分解成TE和TM偏振分量来处理。对于TM分量，光在倾斜入射时会产生纵向电场分量，而纵向分量在光刻胶中的成像贡献和TE分量完全不同。如果不做这种分解，优化器会自动“钻空子”：它会在光源边缘区域不断增加强度，因为标量模型给出高频信息对成像有利；但真实系统里这些边缘角度的TM光成像效率很低，最终做出来的结果在晶圆上完全不是仿真预测的样子。

老实说，我早期也犯过这个错误，以为在成像面上乘一个“斜入射修正因子”就算矢量模型了。结果光源稍微向外扩一点，收敛出的掩模用X偏振和Y偏振分别验证时，行为完全对不上。后来老老实实把TE/TM分解和膜层里的矢量传播写进正向模型，才真正解决了问题。

1.3 SD优化算法在这里担当什么角色

SMO的搜索空间是很大的。光源如果按64×64像素采样，就有4096个变量；掩模在一个小目标区域内像素化后，几千乘几千个变量非常常见。加起来轻易超过百万维。这么大的空间，完全不能用穷举或者黑盒优化硬扫。

SD优化算法的思想很简单：每次迭代都沿着代价函数下降最快的方向，也就是负梯度方向，走一小步。它是一阶梯度方法里最朴素的一种，没有二阶曲率信息，也没有动量记忆。正因为朴素，它才非常适合SMO的前期验证和工程落地。只要你能算出来代价函数对光源、对掩模的梯度，就能用SD跑起来。

实际工程里，SD不会单独作为最终求解器使用那么“纯”。更多时候，是先做一轮低分辨率的SD，找到几个有潜力的起始点；然后在高分辨率上再跑SD精细收敛。或者把SD的结果作为更复杂算法的初值。但不管外面套什么壳，内部最核心的更新逻辑仍然是梯度下降那一套。把SD理解透，后面看SMO相关的论文和商业工具日志时会轻松很多。

2. 核心原理拆开讲：变量、成像模型与梯度来源

2.1 光源与掩模怎么用变量表达

光源在仿真里通常用一个瞳孔坐标系上的二维数组表示。瞳孔坐标的横纵轴用归一化NA表示，范围从-1到1。每个像素代表一个离散的光源点，像素值代表该方向的照明强度。真实硬件上，这种自由形态的光源分布可以通过衍射光学元件或者可编程照明器来实现，所以SMO出来的结果并不是纯纸面推演。

光源变量需要满足几个物理限制：亮度非负、各点强度有上限、总体能量要归一化。除此之外，一般还要保持工艺上要求的对称性。比如对于45度朝向的图形，光源要满足45度方向的镜像对称；对于横竖方向混合的图形，光源往往需要满足X/Y方向的双对称。如果不加对称性约束，SD自由度太大会收敛出一些无规律的“雪花”光源，就算仿真误差很低，也无法工程落地。

掩模变量更复杂一些。在SMO里，掩模通常表示成连续透射函数，每个像素可以取0到1之间的灰度值。有些还带相位项，比如衰减式相移掩模的透射率是复数。直接用这类连续变量做优化，能让梯度平滑传播，不会像二值掩模那样存在大量不可导边界。等到SD收敛后，再把连续灰度硬判决成工艺上能接受的离散值。

2.2 矢量成像模型的前向链路

在优化过程中，每一步迭代都要做一次完整的光刻成像正向计算。矢量模型的前向链路大致分四段。

第一段是光源点分解。每个瞳孔位置的光源点产生一束朝着特定方向入射的平面波。系统把平面波分解成TE和TM两个正交偏振态。如果照明本身有偏振设置，比如X偏振、Y偏振或切向偏振，分解方式还要按入射平面重新计算。

第二段是掩模衍射。平面波照射掩模图形后发生衍射，各个衍射级次带有掩模的傅里叶频谱信息。衍射光进入投影物镜，超过光瞳口径的高频部分被截断，所以光瞳函数在这里起到了低通滤波器的作用。

第三段是光刻胶内的矢量传播。每个衍射级次在进入光刻胶膜层时，都会在界面发生折射和反射。TE分量和TM分量的透射系数不同，TM分量还会产生纵向电场。一个严格的模型通常用薄膜矩阵法，将光刻胶、抗反射层、底层材料整体看成一个多层膜系，逐层计算出内部场分布。这一段的计算量最大，也是矢量模型和标量模型差距最大的地方。

第四段是成像强度合成。光刻胶内某一点的光强是所有衍射级次干涉叠加后的电场模平方。这个过程对偏振敏感，X偏振入射光和Y偏振入射光形成的干涉图形不完全一样。SMO要把两种偏振态的贡献加权平均，得到一个“有效成像强度”。

整个前向链路必须可微。因为SD要用到梯度，如果某些环节用了不可导操作，梯度信息就会断掉。这也是为什么很多自研SMO会刻意避开严格的电磁场求解器，而选择解析程度更好的快速矢量成像模型。

2.3 梯度从哪来：解析伴随与自动微分

有了正向模型，接下来最核心的问题是梯度怎么算。

第一种思路是解析伴随法。通过对光刻成像公式逐层求导，可以写出代价函数对光源每个像素、掩模每个像素的解析梯度。优点是很精确，运算量也不大。缺点是推导过程非常容易出现索引错误，尤其是矢量模型里有TE/TM分解、有傅里叶变换、有膜层折射，任何一处符号弄反，梯度方向就错了。当年我手推过一个标量掩模梯度，整整花了一个下午才把公式验证对。到了矢量模型，手推的工程量几乎不再现实。

第二种思路是自动微分。将前向成像算子封装成支持自动微分的计算图，比如用PyTorch或者JAX实现。这样只需要把正向模型写对，反向传播会自动把梯度算出来。光刻成像里大量操作都是FFT、卷积、点乘，这些操作在自动微分框架里都有成熟的实现。对于做算法验证和SMO原型研究来说，这条路最省精力。

要提醒的是，涉及FFT和复数时，自动微分有一些细节容易踩坑。FFT在PyTorch里默认对复数Tensor的梯度处理方式需要额外注意。我个人的习惯是尽量用JAX的复数求导，或者自己显式声明复数导数规则。另一个实用技巧是：梯度算出来后一定要做一次有限差分校验。在变量空间里随机挑几个点，分别加一个小扰动，比较数值差分结果和自动微分结果。如果相对误差在千分之一左右，说明梯度链路基本可靠。

2.4 SD更新中的步长控制与约束投影

拿到梯度后，SD的更新公式非常直接：变量等于当前值减去学习率乘梯度。这里最讲究的就是学习率，我们一般叫步长。

步长太大，loss会出现明显的振荡甚至发散。步长太小，迭代几百轮还在原地磨蹭。最稳的起步方式是用回溯线搜索：先给一个较大步长，如果当前步长导致loss不降反升，就按比例收缩步长，直到满足下降条件。这个策略比固定步长多了一点点计算量，但能省下大量调参时间。

再说约束投影。光源和掩模更新后，往往超出物理范围。最常见的手段是做一次投影，把负值截断为0，把大于1的值截断为1。但这里有个非常隐蔽的坑：如果每次更新后只是简单截断，梯度在边界处会被错误累计。更新方向认为某个变量还可以继续增加，但截断了之后实际没有增加，误差会在迭代中累积，表现为loss曲线前端下降正常、后端突然卡住。

更稳妥的办法是：更新前就对梯度做一次掩码处理，把处于边界且梯度方向指向界外的分量直接清零，然后再更新。等价的做法是更新后用投影把变量放回可行域，但在下一轮梯度计算时，对边界上的变量做特殊标记。工程上我一般倾向于先清零边界梯度，再正常更新，这个细节对收敛稳定性影响很大。

3. 实操部分：一步一步搭出矢量SMO的SD流程

3.1 仿真网格与参数设置建议

直接给一套我试过可用的demo参数。目标是40nm半间距的密集线条，也就是80nm pitch的L/S图形。波长用193nm ArF，NA取1.35，浸没液体折射率1.44。这套参数在光刻里比较典型，拿来验证算法行为很合适。

光源域用一个17×17的采样网格覆盖有效瞳孔区域，只取环形支持区域内的点作为初始照明。太密的光源网格会大幅增加计算量，太粗又表达不出自由照明细节。17×17是我个人认为适合调试的起点。调试通过后，可以考虑升到33×33获得更精细的光源轮廓。

掩模采样间距取4纳米左右。对于193nm光刻，4nm像素已经能比较好地表达掩模边缘，同时又不至于让变量数量爆炸。目标区域如果取1.6μm×1.6μm，就是400×400个像素，总共16万个掩模变量。配合17×17的光源，整个优化变量规模在十几万量级，单张GPU卡跑一次前向加反向大概几十毫秒，跑500轮SD完全可接受。

3.2 主循环的伪代码实现

用一个接近PyTorch风格的伪代码把主循环写出来。这里为了可读性省略了矢量成像和膜层计算的实现细节，重点展示SD优化框架的完整结构。

python复制# 伪代码，演示矢量SMO的SD主循环
import torch

# 初始化
source = init_source_grid(resolution=17)
mask = init_mask_grayscale(shape=(400, 400))
target = load_target_layout()  # 目标版图

# 优化参数
max_iters = 500
lr = 1e-1  # 初始步长，会被线搜索覆盖
reg_mask = 1.0  # 掩模复杂度正则系数
reg_sparse = 0.5  # 光源稀疏正则系数

optimizer_state = {}

for it in range(max_iters):
    # 1. 正向矢量成像
    image = forward_vector_imaging(source, mask, z=defocus)

    # 2. 计算损失
    loss = pattern_error(image, target)
    loss += reg_mask * mask_regularizer(mask)
    loss += reg_sparse * source_sparse_regularizer(source)

    # 3. 反向传播
    loss.backward()

    # 4. 梯度掩码与边界处理
    mask_grad = mask.grad.clone()
    source_grad = source.grad.clone()
    apply_boundary_mask(mask_grad, mask)
    apply_boundary_mask(source_grad, source)

    # 5. 回溯线搜索找步长
    lr = backtracking_line_search(loss, [source, mask],
                                  [source_grad, mask_grad],
                                  forward_vector_imaging)

    # 6. 更新并投影
    source.data = project_source(source.data - lr * source_grad)
    mask.data = project_mask(mask.data - lr * mask_grad)

    # 7. 强制光源对称性
    source = impose_source_symmetry(source, sym_type='diag')

    # 8. 记录日志
    log_loss(it, loss.item(), lr)

这个循环是相当经典的“梯度下降+投影”框架。第4步的边界掩码很多初学者会漏掉，但它恰恰是保证收敛不卡死的细节。第7步的光源对称性也要放在投影之后、日志打印之前，否则记录的中间光源形态不具备工艺参考意义。

3.3 用一组光刻验证结果判断算法是否正确

伪代码跑通后，不要急着看loss曲线，先用一组你知道正确答案的案例做验证。对于40nm半间距、线条沿Y方向的L/S图形，理论上高质量的光源会收敛成两个沿X方向分布的“极”，类似于偶极照明。如果算法正确，光源迭代到后面会自动形成这个形状，而不是靠人工预设。

我在调试自研SMO时，就把这个作为“算法没有骗人”的经验标准。如果你跑出来光源仍然是一圈环形，或者出现了大片亮斑而不是两极结构，大概率是正向模型、梯度或约束三者之中有一处出了问题。这种情况下去谈loss下降了没有意义，因为模型细节错了，数值收敛得很好也不能说明什么。

另外一个值得观察的量是掩模的中间灰度比例。SD更新过程中，掩模像素会先出现大量中间值，迭代后期在正则项和投影的共同作用下，逐渐向0和1两端靠近。如果500轮以后还有大面积0.4~0.6区域的像素，说明正则项权重太弱或者步长过大导致灰度无法“下定决心”。商用SMO流程通常会有掩模二值化后处理，但依赖后处理会损失一定精度，最好让优化过程本身就收敛到接近二值的状态。

3.4 调参顺序和收敛判断

我整理了两套调参顺序。

如果你是在完全没有经验初值的情况下启动，建议先关闭掩模梯度，只用SD优化光源几十轮。此时掩模保持初始图形不变，问题是求最优照明下当前掩模的成像极限。这一步计算量小，能让光源先移动到一个比较合理的位置。然后打开掩模梯度，光源和掩模同步更新。这样做比从一开始就同步更新要稳定得多，因为如果光源和掩模一起乱动，损失函数的等高线地形变化太快，SD追不上。

如果你是在一个成熟工艺附近做小范围派生优化，比如只改掩模不做光源大调整，那可以从一个接近最终产品形态的初始光源出发，固定对称性，直接同步优化。此时SD很快就能收敛，一般50~100轮内loss变化就很微小了。

收敛判断不能只看loss绝对值。更实用的做法是在最后几十轮里，把每一轮的掩模版本做一次离焦扫描，计算边缘放置误差EPE和归一化图像对数斜率NILS。如果这两个指标在最后阶段不再明显改善，才算真正收敛。只有loss下降、EPE却反弹的情况也很常见，通常是正则项的权重和成像误差之间没有平衡好。

4. 常见问题与排查技巧实录

4.1 实际调试中最容易翻车的五个地方

光刻SMO这个方向，出bug往往不是出在优化算法本身，而是出在光刻引擎与优化器之间的接口上。这里我把调试过程中最常遇到的问题整理成一个速查表。

第一个NaN问题特别值得展开说。矢量传播里，衍射级次的纵向波数表达式是k_z等于入射介质波数平方减去横向波数平方再开根号。当某个衍射级次接近全反射临界角时，k_z趋近于零。反映到优化上，就是梯度里出现一个分母接近零的项，一次更新就能把变量推到无穷大。解决方式很简单，在计算纵向波数时对平方差设一个下限，比如至少为1e-6量级。这个处理会稍微损失一点物理精度，但能让优化器保持稳定。

4.2 边界截断的坑：硬clamp会让收敛停滞

掩模像素更新后数值跑到[0,1]之外，新手的第一反应是用torch.clamp或者numpy.clip直接截断。我早期也是这么干的，结果发现loss曲线前200轮下降正常，200轮以后几乎水平，怎么调步长都没用。

后来排查发现，问题出在硬截断和梯度更新的配合上。某一轮掩模像素的当前值是1.05，梯度方向是继续增加，也就是希望它变得更大。截断到1之后，这个像素实际没有变化，但下一轮计算梯度时，它仍然在边界上收到一个“继续增加”的梯度信号。这个死循环造成优化器卡在边界上无法回头。

正确做法是在每轮更新前，把指向可行域外侧的梯度分量清零。对于下限边界，梯度为负数且变量已经在下边界时，梯度要置零；对于上限边界，梯度为正且已经在边界时，同样要置零。这样优化器才不会反复尝试跨越边界。

4.3 梯度检测是保命步骤

自研SMO代码里，梯度检测应该是一个每次修改物理模型后都要跑的回归测试。做法非常简单：随机初始化光源和掩模，在某个变量值附近加一个微小扰动比如1e-5，用正向模型算出loss变化；再用自动微分出的梯度乘以扰动值看是否一致。两者的相对误差应该在千分级别。

很多看起来神秘的失败，比如某个偏振方向的光源梯度符号反了，或者X方向对称性丢失，都能靠梯度检测提前暴露。尤其是你刚加完一个新的物理效应，比如增加了膜层反射修正，一定要对光源变量和掩模变量分别做梯度检测，不能只测一种就默认另一种没问题。我自己的经验是，梯度检测代码写得越早，整个SMO项目的推进速度越快，因为后面所有算法层工作都建立在这个正确性的地基上。

5. 项目复盘与可以继续扩展的方向

5.1 收敛之后还需要做的一轮确认

SD优化跑完，很多人会直接拿掩模灰度结果去做掩模规则检查，然后发现一堆违反规则的小块和尖角，不得不反复修。其实更合理的流程是先做一轮“工艺可制造性检查”：把掩模灰度做空间滤波，去掉小于最小光刻栅格的特征，再检查间隙和转角是否满足制造限制。

还要做一次联合验证。把SD优化得到的光源和掩模放到一套更精确的光刻验证引擎里，用真实光刻胶模型、更细的网格重新仿真一遍。这里的逻辑是，优化器里的模型为了可微和速度会做大量近似，最终精度需要靠验证引擎兜底。如果验证结果和优化结果差异较大，可以先用验证引擎的误差反哺调整简化模型的参数，再重新跑少数几轮SD精修。

5.2 下一步扩展的个人建议

矢量SMO的SD内核经调通后，加新功能并不难。比较常见的方向是加入偏振变量，让光源的偏振态也参与优化。有些曝光场景里，局部偏振能进一步提升对比度，最直接的做法是在光源每个像素上再挂一个偏振度变量。但这会显著增加变量数和物理约束的复杂度，我建议先只在光瞳有效区域内部做偏振优化，边缘区域仍按硬件可实现的固定偏振类型处理。

另一个方向是把SD的朴素框架换成带动量的梯度方法，比如Adam或者带动量的SGD。对大规模SMO来说，动量能有效抑制锯齿状下降。不过我个人的体会是，只有在SD已经能稳定收敛之后，再引入这些加速手段才有意义。直接上高级优化器，出了问题很难判断是模型错、梯度错还是优化器参数设置不合适。

最后分享一个项目复盘时很有价值的习惯：每次跑完