推動半導體製程持續演進的「三劍客」：機器學習、GPU 與曲線光罩

透過以影像輪廓萃取（contour extraction）為基礎的模型校準，就能充分利用這些資料提升建模的精度，降低對昂貴量測設備的依賴。Siemens EDA

在產業邁向2奈米（N2）甚至埃（Angstrom，Å）等級先進節點的過程中，半導體製造的每個步驟都必須更加小心翼翼，光罩合成（Mask Synthesis）是其中之一；必須能精準將電路設計圖案從光罩轉移至晶圓片，才能實現製程的高良率。

為因應此一艱鉅挑戰，Siemens EDA研發副總裁彭丹平（Danping Peng）在2025年度SEMICON Taiwan 2025國際半導體展的先進製程科技論壇上，提出了三項突破性的技術解決方案：機器學習、GPU加速，以及曲線光罩（Curvilinear Mask）及其最新進展與應用狀況。

高精度光罩建模的新利器──機器學習

「在半導體製造中，圖案化（patterning）是第一個、也是最關鍵、最昂貴的步驟。我們所做的一切，都只有一個目的：確保晶圓上的成像品質；」彭丹平在論壇的專題演講一開始引述了法國作家大仲馬的經典小說《三劍客》（The Three Musketeers）的名句「All for One」，指出圖案化是先進製程的成功基礎，而業界各種努力最終都指向同一個目標——提升電路圖案在晶圓片上的精確度。

隨著半導體製程進入2奈米以下節點，傳統的微影模型誤差已不再是主導電路圖案品質的因素，蝕刻、量測與光罩製程同樣成為影響良率的關鍵。彭丹平強調，要達到所需的圖案化精度規格，單靠既有的建模方法已經不夠，必須利用機器學習方法來處理更複雜的物理效應。

同時，材料與設備端的創新也需被納入光學鄰近校正建模解決方案，才能實現從光罩到晶圓的全面最佳化，確保先進製程的穩定性與量產良率。

他進一步解釋，傳統基於公式的模型，在複雜條件下常出現準確度瓶頸。機器學習則能捕捉過去難以描述的細節，不僅在光阻模型上表現優異，甚至在業界長期無解的蝕刻建模上，也展現前所未有的突破。他指出，蝕刻結果才是真正決定晶片效能的關鍵，而機器學習讓模型能夠首次精準對應實際蝕刻後的電路圖案，這是業界在過去二十年未能達到的成果。

實驗數據顯示，機器學習模型的誤差分布更窄、更對稱，接近理想鐘形曲線，代表模型已達到產業級應用的水準。這意味著工程師不再需要依賴經驗法則來調整偏移，而能直接透過模型驅動的修正，提高設計與製造的協同性。

突破資料與運算的瓶頸

然而，機器學習的成功必須要有大量且高品質的資料；彭丹平提醒，其實利用掃描式電子顯微鏡（SEM）的影像資料，不只能預測臨界尺寸（CD），也能掌握邊緣放置誤差（EPE）與疊對精度（overlay），建構更有效的機器學習模型，透過以影像輪廓萃取（contour extraction）為基礎的模型校準，就能充分利用這些資料提升建模的精度，降低對昂貴量測設備的依賴。隨著3D結構的盛行，穿透式電子顯微鏡（TEM）將進一步為3D建模提供支援。

彭丹平也指出，要讓以SEM資料為基礎的機器學習模型能在GPU上進行校正，必須徹底改變建模方式，將軟體全面轉為以影像為核心，才能與GPU的平行運算特性相容。這樣的流程不僅效率更高，也帶來更高的準確度。他強調，GPU能讓過去受限於邊界條件與折線化處理的反向微影技術，進一步實現真正的曲線光罩設計，且能在合理時間內完成全晶片等級運算。

迎接曲線光罩量產新時代

曲線光罩過去在理論上被視為比曼哈頓形狀──即方形設計──光罩更好的選擇，因為能在更寬廣的範圍內確保圖形的精確度、達到更高良率，這樣的優勢會在先進製程節點更為顯著。

然而，受制於傳統單電子束光罩寫入機以及ILT對高複雜度運算的需求，曲線光罩一直無法全面推廣；如今，隨著多電子束光罩寫入技術的成熟，以及透過GPU加速可提升達數十倍的模擬運算效能，曲線光罩的時代也將真正來臨。

針對曲線光罩在先進製程節點的應用，Siemens EDA的Calibre Curvilinear Solutions工具套件，可提供從設計到製造的完整端對端資料準備流程，致力於解決傳統方法難以克服的曲線邊緣挑戰。

此套件涵蓋OPC、偏移修正，製程校準（MPC）、次級解析輔助特徵圖案（SRAF）插入等工具，幫助客戶以更經濟且高效的方式實現曲線光罩製造，在提升設計自由度的同時也能確保製造精確度，所有領先的整合元件廠（IDM）與晶圓代工廠都能從這些解決方案中受益。

生成式AI的無窮潛力：光罩合成步驟的聖杯？

彭丹平也特別提及生成式AI在光罩設計上的顛覆性潛力；他指出，過去雖然機器學習已被廣泛應用於建立完整模型，但當要解決反向問題、從設計推導最佳解時，卻始終受限於龐大的資料需求與冗長的訓練時間：「如果我們能建立一個機器學習模型，不僅能預測設計圖案在晶圓上的成像，還能直接反推出解決方案，那將是我們產業的聖杯；」然而，以往生成資料與訓練模型的時間甚至比直接執行ILT還長，難以落地。

如今，生成式 AI 的加入改變了這個格局。彭丹平指出，初步成果顯示以AI生成的光罩圖案雖與原始資料不同，但成像品質更佳，展現「超越資料本身」的潛力。他將之比喻為一種「不求人」（bootstrap）的過程：「資料只是讓模型起飛的跑道，真正的飛行，是透過不斷最佳化，逐步超越資料本身；」而這樣的突破，將根本性地解決先進製程中「好資料難求」的問題。

展望未來，他再次強調機器學習、GPU與曲線光罩「三劍客」將共同推動半導體製程走向新世代的無窮潛能，並以演講開頭提到的小說名句「All for One」的下半句「One for All」作為總結，預言半導體製程技術與AI將「相互成就」：沒有先進半導體製造，人們不可能享受到AI工具帶來的各種便利與效率，而AI也正為半導體技術的持續進展帶來貢獻，成為業界推進摩爾定律極限的關鍵力量之一。

如欲了解更多，歡迎至：機器學習加速曲線光罩ILT配方最佳化，助攻先進製程突破。