压缩感知在光刻光源优化中的应用与效果验证

1. 项目背景与核心价值

在半导体制造领域，光刻技术直接决定了芯片的最小线宽和良品率。而光源优化作为光刻工艺的核心环节，其质量直接影响曝光图形的分辨率和对比度。传统光源优化方法往往需要密集采样和大量计算资源，这已经成为制约先进制程研发效率的瓶颈。

压缩感知（Compressed Sensing）理论的出现为这个问题提供了新思路。这项获得IEEE信息论学会里程碑奖的数学突破告诉我们：当信号具有稀疏性时，可以通过远低于奈奎斯特采样定理要求的采样率实现精确重建。将这一理论应用于光刻光源优化，理论上可以大幅减少所需的光强测量次数和计算量。

本期的仿真对比实验，就是要验证压缩感知方法在光刻光源优化中的实际效果。我们选取了三种典型照明模式（传统圆形、环形和四极照明），在相同工艺条件下对比传统优化方法与压缩感知方法的性能差异。实测数据显示，在保持相近成像质量的前提下，新方法将优化时间缩短了62%，内存占用降低45%，这对需要频繁迭代的掩模版设计流程具有重大意义。

2. 关键技术解析

2.1 压缩感知的理论框架

理解压缩感知需要掌握三个核心概念：

1. 稀疏性：光刻系统的点扩散函数在特定变换域（如傅里叶域、小波域）具有天然稀疏性
2. 不相干性：采用随机测量矩阵可以保证采样过程与稀疏表示基不相干
3. 重构算法：通过L1范数最小化等优化方法可以从少量测量值中恢复原始信号

在光刻应用中，我们将照明光源的角谱分布视为待重建信号。通过设计特殊的衍射光学元件（DOE）作为测量矩阵，可以在物理层面实现压缩采样。这种硬件实现方案比纯数字仿真更接近实际生产环境。

2.2 光刻成像的物理模型

完整的光刻成像链可以用以下公式描述：

code复制I(x,y) = |(PSF ⊗ M) * S|²

其中：

• PSF是光学系统的点扩散函数
• M是掩模版图形
• S表示照明光源的角谱分布
• ⊗表示卷积运算
• *表示相关运算

传统方法需要密集采样S的所有角谱分量，而压缩感知方法只需测量随机组合的线性投影。我们采用部分哈达玛矩阵作为测量矩阵，在保证重构精度的同时将采样率控制在30%以下。

2.3 优化算法实现

具体实现流程包含以下关键步骤：

1. 前向建模：使用严格电磁场仿真计算PSF
2. 测量矩阵设计：优化DOE相位分布实现高效压缩采样