摘要：基于机器学习的坏点检测技术已经成为光刻坏点检测的重要研究方向,在新技术节点开发与物理设计验证中具有重要意义。按照基于机器学习的光刻坏点检测技术的流程,依次介绍了特征提取、机器学习模型建模和待测样本提取等步骤中面临的问题,综述了近年研究中针对以上问题提出的关键技术及其优劣。对基于机器学习的坏点检测技术的发展方向和面临的挑战进行了展望。目前,完全基于机器学习技术的坏点检测技术中数据生成成本巨大,精度尚不满足集成电路行业应用的要求,因此与光刻仿真模型、图形匹配等传统方法的结合是基于机器学习的坏点检测技术最容易应用于实际生产的技术途径。

摘要：定向自组装(DSA)是一种新型的光刻分辨率增强技术,为了探究制约DSA应用于大规模集成电路制造的因素,采用仿真手段评估了DSA工艺条件以及不同版图设计对DSA的影响。基于Cahn-Hilliard方程,模拟了不同"吸附"强度及退火时间下的线条图形光刻轮廓,分析了上述工艺条件对光刻结果的影响,发现增加退火时间、增强衬底的"吸附"强度可以有效减小电路制造缺陷。基于7 nm设计规则,改变引导图形周期,得到线条图形线宽粗糙度(LWR)以及通孔图形的光刻轮廓图,分析了引导图形周期和LWR及轮廓图质量的关系,得出当引导图形周期为2倍共聚物自然周期(2L0)时,可以得到更好的光刻图形质量,并通过2L0周期扰动实验进一步验证了该结论。

摘要：超大规模集成电路(VLSI)中的详细布线是物理设计中一个重要且具有挑战性的环节.在这一阶段,所有导线的路径都会被确定下来,布线的优劣直接关系到芯片的面积和性能,路径搜索是布线中最为耗时的步骤之一.本文介绍了基于网格的布线模型,将布线问题抽象为一个图搜索问题或者多商品流问题;总结了迷宫搜索算法、A*算法、整数线性规划(ILP)算法和并行加速算法在路径搜索中的应用和针对设计约束作出的优化,结合在布线器中应用情况分析其优劣;总结回顾了基于机器学习求解算法的研究进展,分析了存在的问题,并对详细布线算法的发展趋势做了展望.分析表明,A*算法在布线质量、稳定性和速度等方面的综合性能较其他算法更为优异,其难点在于设计合理的布线排序策略和图模型.强化学习具有巨大的研究潜力,目前的研究仅在规模较小的设计中测试,仍需要进一步改进和探索.