综述:用于加速计算光刻的光子计算:综述与展望

《Intelligent Opto-Electronics》:Photonic computing for accelerating computational lithography: a review and outlook

【字体: 大 中 小 】 时间:2026年10月23日 来源:Intelligent Opto-Electronics

编辑推荐:

   1 引言 作为现代信息社会的基石,集成电路(IC)推动了人工智能(AI)、大数据和物联网(IoT)等前沿领域的技术进步。在制造流程中,光刻是最关键的技术步骤,其精度直接决定了IC的特征尺寸,并对芯片制造的良率和分辨率产生至关重要的影响。自集成电路发明以来,半导体行业始终遵循

  

1 引言

作为现代信息社会的基石,集成电路(IC)推动了人工智能(AI)、大数据和物联网(IoT)等前沿领域的技术进步。在制造流程中,光刻是最关键的技术步骤,其精度直接决定了IC的特征尺寸,并对芯片制造的良率和分辨率产生至关重要的影响。自集成电路发明以来,半导体行业始终遵循摩尔定律的轨迹,不断缩小关键尺寸(CD),以追求更高的集成密度和性能。然而,随着工艺节点进入深亚波长区域,光刻成像正逼近其物理极限。诸如光的干涉和衍射效应、偏振特性以及掩模三维(M3D)效应等因素的影响日益显著,导致光刻图案保真度急剧下降。因此,传统工艺技术逐渐难以满足高精度制造的需求。在此背景下,计算光刻应运而生,并迅速成为先进节点制造过程中不可或缺的组成部分。计算光刻通过构建光学成像和工艺模型,结合数值模拟和优化技术,实现了对光刻成像误差的预测、校正和补偿。这提升了光刻技术的成像性能,从而实现了更高的芯片生产良率。核心技术包括光学邻近校正(OPC)、光源掩模优化(SMO)和逆光刻技术(ILT)等。这些技术旨在提高成像保真度、扩展工艺窗口并确保芯片制造的可靠性。随着集成电路技术节点不断逼近物理极限,光刻系统对成像误差补偿的精度要求日益严格。因此,计算光刻中的OPC不断演进:从早期基于经验规则的查找表校正方法发展为基于模型的数值优化,并逐渐纳入压缩感知(CS)和机器学习(ML)等新计算范式以增强求解能力,从而形成了多层次、多尺度的技术生态系统。随着计算光刻技术的不断发展,计算负载呈现指数级增长趋势。随着图案密度的急剧增加和工艺复杂度的提升,全芯片掩模优化的计算规模已扩展至十亿量级,单次掩模校正的运行时间可达数天甚至数周。更复杂的ILT和SMO任务涉及大规模非线性优化,计算开销更为巨大。研究表明,理想ILT解法的计算时间比传统OPC高出一个数量级,且传统"分区与拼接"策略引入的拼接误差进一步加剧了全芯片ILT流程的整体运行时间。鉴于光刻精度要求不断提高,计算复杂度的急剧增加已成为关键瓶颈,制约了光刻工艺的研发周期和制造成本。一方面,频繁的迭代模拟显著延长了芯片生产从设计到流片的验证周期。另一方面,支持大规模计算光刻任务所需的服务器集群会带来巨大的能耗和资本支出。半导体行业面临着在计算复杂度与生产效率之间取得平衡的挑战。传统上,结合ILT与OPC的局部突破一直是主流方法。然而,随着行业对更高精度的追求,依赖经验OPC方法和边缘偏移物理模型的做法越来越难以满足需求。为应对这一局限,行业正在向更高效的全芯片ILT方法转型,旨在将其应用范围从最关键层和区域扩展到涵盖更多层的更广范围。然而,这一转变在很大程度上取决于计算能力和算法优化的进步。为缩短运行时间和降低成本,众多加速技术如利用图形处理器(GPU)和深度整合机器学习正被开发并应用于计算光刻领域。在电子计算领域,晶体管缩放正逼近物理极限,存储墙和功耗墙等核心瓶颈日益凸显。传统电子计算硬件所能实现的性能增益正在达到其上限,基于冯·诺依曼架构的通用计算平台可能难以满足未来光刻的需求。算力供需矛盾的加剧促使探索新的计算范式以克服现有约束。光子计算是一种基于光场操控的颠覆性计算架构,凭借其高并行性、低延迟和低能耗的独特优势,正日益受到计算光刻领域研究人员的关注。以光作为信息载体,光子计算能够实现多维并行计算和信息处理,同时为矩阵运算和卷积等计算密集型任务提供数量级的加速潜力。光子计算的物理机制与光刻成像过程具有内在的同构性,两者从根本上都围绕光场传播展开。这赋予光子计算执行典型计算光刻任务的天然和潜在适用性。将光子计算成功整合到计算光刻工作流程中,通过在底层硬件层面重构算力供给范式,有望从根本上缓解当前计算资源的供需失衡,并为下一代芯片制造建立突破性的支撑平台。因此,对光子计算的物理架构、技术路径和应用潜力进行系统综述,并结合其与计算光刻的技术契合度进行深入分析,具有重要的理论价值和现实意义。在本综述中,我们采用以下用法:光子计算指使用光子作为信息载体的计算,侧重于光子集成电路和片上神经网络等集成化、芯片级实现。光学计算更多指宏观自由空间系统,如衍射光学网络和模拟傅里叶处理器,其中计算通过光在自由空间中的传播和干涉来完成。除特别指明自由空间架构外,我们统一使用"光子计算"一词。近年来,光子计算领域取得了重大进展。然而,现有研究主要集中于通用计算任务,尚未系统探索光子计算在计算光刻垂直领域的潜力。本综述从计算光刻的核心任务类型和算力需求出发,系统梳理了该领域当前面临的挑战和现有加速方案。阐述了光子计算的基本原理和技术路径,重点分析了光子计算与计算光刻之间的技术契合度和潜在应用场景。同时讨论了利用光子计算赋能计算光刻面临的关键挑战。本综述旨在为未来由光子计算驱动的智能光刻制造提供理论参考和技术洞察。图1展示了本综述的总体框架。

图1 光子计算加速计算光刻的概述。(a) 计算光刻关键任务概述。(b) 计算光刻中的代表性计算内核。(c) 光子计算的关键优势。(d) 用于光场调制和计算的自由空间光子计算架构。(e) 用于矩阵运算和并行光处理的片上集成光子计算架构。(f) OPC示意图,比较了无OPC和有OPC的掩模,以及光学成像后晶圆上打印图案的差异。(g) SMO示例。(h) ILT工作流程,其中计算光刻用于从期望的目标版图逆向优化掩模图案。(i) 第一性原理建模与紧凑模型:一个说明刻蚀轮廓差异的示例。模型1代表紧凑模型,S-litho代表严格模型。(j) 第一性原理建模与紧凑模型在计算精度方面的比较。作为一种基于光刻胶中光化学反应序列模拟的第一性原理求解器,快速严格模型(FRM)实现了比紧凑模型更高的精度。(k) 光刻工艺建模:从空气像到最终晶圆图案的转换示意图,以光刻胶三维显影和刻蚀轮廓模拟为例。图示引用自:(d) 文献22,美国科学促进会;(e) 文献23,美国科学促进会。(f) 文献2,Springer Nature;(g) 文献8,PRISMALIGHT TECHNOLOGY有限责任公司;(h) 文献2,Springer Nature;(i) 文献24,SPIE;(j) 文献25,SPIE;(k) 文献26,SPIE。

本综述做出以下关键贡献。首先,提供了一个统一的系统级视角,将光刻计算任务与其底层的数学和算法内核联系起来。其次,从算法-架构协同设计的角度分析了计算光刻的内在计算瓶颈,并批判性地评估了传统电子计算范式在处理全芯片ILT工作负载时的可扩展性极限。第三,据我们所知,本工作首次明确建立了光子计算架构与计算光刻工作流之间的结构化映射。具体而言,我们识别了光刻计算内核与光子硬件原语之间的对应关系,并进一步讨论了混合光电架构如何被纳入光刻仿真、优化和AI辅助推理流水线中。

2 计算光刻:需求与瓶颈

计算光刻的本质在于两项核心技术:数学建模和优化算法。数学建模和仿真技术用于复现光刻过程,从而更深入地理解系统行为和工艺动态。优化算法用于微调系统参数和工艺参数,以增强成像分辨率并扩展工艺窗口。从数学角度来看,计算光刻可被抽象为一个高维、非线性、约束优化问题。这涉及在特定约束下调整一组优化变量,以实现各种目标函数的极值。变量包括光源分布和掩模图案,目标函数包括最小化图案化误差,以及最大化工艺窗口、对比度或归一化图像对数斜率(NILS)等。本节将对计算光刻进行系统综述,涵盖其基本物理模型、代表性优化算法、先进工艺节点面临的主要挑战、全芯片ILT的新兴需求和计算基础,以及当前基于GPU和AI的加速策略。

2.1 主要模型和算法

计算光刻中的模型包括空气像模型、光刻胶模型、显影模型、刻蚀模型和掩模模型。常用算法包括基于梯度的迭代算法、启发式算法和基于AI的算法。下文将介绍计算光刻的模型,并对一些主要算法进行简要概述。

2.1.1 空气像模型

光刻空气像模型模拟光刻技术中的曝光过程。成像理论包括标量近似理论和矢量理论,相应的光刻空气像模型为标量模型和矢量模型。标量模型基于近轴近似,忽略光的偏振效应,因此仅适用于低数值孔径(NA)光刻系统的成像仿真。当光刻系统的NA超过0.6时,理论上需要矢量模型来准确描述成像过程。然而,出于计算速度的考虑,业界通常采用标量模型结合实际参数校正。以下主要介绍光刻空气像的标量模型。Abbe模型和Hopkins模型是此领域内的两个经典理论框架。图2展示了两种模型的对比总结。根据傅里叶光学中的标量衍射理论,光刻空气像模型可以简化并表示为:

其中 I 表示空气像强度,J 表示照明光源图案,B 是入射光通过掩模后的衍射频谱,H 是系统传递函数,(*) 是埃尔米特转置算子,(x,y) 是空间坐标,(ξ,η) 是频率坐标。Abbe模型密切反映了成像过程的物理本质。其核心思想是将部分相干成像系统分解为一系列相干成像系统的非相干叠加,其中像平面上的强度分布通过对所有有效光源点贡献的相干像进行非相干求和而获得。

阿贝尔模型要求对离散化的光源点进行多次相干成像计算,其计算复杂度为 O(n?),但其具有并行计算的潜力3。由于其对光源的显式表征具有物理直观性,阿贝尔模型天然适用于光源优化(SO)和扫描模式优化(SMO)任务。根据阿贝尔成像理论,该模型可表示为:

I_Abbe(x,y) = ? J(ξ,η) ICC(x,y;ξ,η) dξ dη (2)

其中,ICC 为照明交叉系数,可表示为:

ICC(x,y;ξ,η) = |? H(ξ+ξ', η+η') B(ξ',η') · exp[?j2π(ξ'x + η'y)] dξ' dη'|2 (3)

霍普金斯模型是阿贝尔模型的一种简化形式,通过先对光源积分、再处理衍射角来实现数学简化。该模型引入了透过率交叉系数(TCC)来表征光学系统的成像特性,将掩模与光学系统的影响解耦2,31。TCC 与掩模图案无关,对于固定的照明配置和投影系统,可预先计算并重复使用。在涉及掩模优化(MO)的计算光刻任务以及某些高分辨率应用场景中,通常采用霍普金斯模型,因为其具有更高的计算效率。这种效率来源于 TCC 的预计算以及相干光源求和(SOCS)分解方法的使用,将计算复杂度降至 O(n?)3。霍普金斯模型可表示为:

I_Hopkins(x,y) = ?? TCC(ξ',η'; ξ'',η'') B(ξ',η') B*(ξ'',η'') · exp[?j2π(x(ξ'?ξ'') + y(η'?η''))] dξ' dη' dξ'' dη'' (4)

其中 TCC 定义为:

TCC(ξ',η'; ξ'',η'') = ? J(ξ',η') H(ξ+ξ', η+η') H*(ξ+ξ'', η+η'') dξ dη (5)

TCC 在光刻中悬浮像的计算中起着关键作用。TCC 的计算有三种传统方法32:积分法(精度高,计算量大)、解析法(精度和效率兼顾,但并非普遍适用)33,以及基于矩阵的快速方法(计算效率高,但精度受采样分辨率限制)。目前最常用的方法是 SOCS 分解,该方法基于 TCC 矩阵的 Hermitian 对称性,进行奇异值分解(SVD)并进行近似截断2,3,31:

TCC(ξ',η'; ξ'',η'') ≈ Σ_{k=1}^{K} μ_k Φ_k(ξ',η') Φ*_k(ξ'',η'') (6)

其中 μ_k 表示特征值,Φ_k 表示对应的特征向量。相应地,光刻悬浮像模型可表示为:

I(x,y) ≈ Σ_{k=1}^{K} μ_k |F?1{Φ_k(ξ',η') B(ξ',η')}|2 (7)

显然,悬浮像模型计算的数学本质从根本上由积分组成,涉及大量的二维卷积和傅里叶变换运算。

**2.1.2 光刻胶模型**

光刻胶模型通过模拟光刻胶效应来解决光刻中的显影过程。光刻胶模型一般分为简化的紧凑模型和物理严格模型。紧凑模型包括恒定阈值光刻胶(CTR)模型和可变阈值光刻胶(VTR)模型1,?。CTR 模型将光刻胶视为一种光敏开关:如果某点的光强度超过某个阈值,光刻胶被完全显影;否则,光刻胶完全保持未显影状态。该模型的显著优点在于其简单性和计算效率,只需进行一次阈值比较。然而,它忽略了光刻胶的潜在物理和化学过程,导致精度较低,限制了其仅适用于快速估算或早期模拟。设 R 表示光刻胶的最终形状,CTR 模型的数学表达式可写为:

R(x,y) = { 1, I(x,y) > I_threshold;0, I(x,y) ≤ I_threshold } (8)

与 CTR 模型相比,VTR 模型引入了包含空间位置变量的光刻胶阈值。该阈值取决于位置因素,如光强度分布的斜率和相邻图案特征?。VTR 模型精度更高,能够模拟光刻胶的梯度效应,提供更接近实际光刻过程的表征。然而,它需要更大的计算成本,且阈值需要校准。VTR 模型的数学表达式在形式上与 Sigmoid 函数相似31:

R(x,y) = 1 / (1 + e^{?α(I(x,y) ? I_threshold(x,y))}) (9)

其中 α 表示光刻胶阈值变化的灵敏度。严格模型精度较高,但计算成本巨大,导致模拟速度较慢。一种常见的表示形式如下?:

D(x,y,z) = I(x,y) ? G (10)

此处,D(x,y,z) 表示光刻胶的溶解速率,G 表示用于模拟化学反应的高斯核。Dill-ABC 模型是另一种严格模型示例3?,描述了光刻胶曝光过程中的光化学反应动力学。本质上,Dill-ABC 模型是一个具有明确物理意义的偏微分方程组(PDEs),能够精确模拟光刻胶内部的反应过程,提供高精度。然而,它需要数值求解,涉及大量的计算工作,通常限制其仅用于工艺开发或模型校准。其公式可表示为3?,3?:

?I(z,t)/?z = ?I(z,t)[A·M(z,t) + B] (11)

?M(z,t)/?t = ?I(z,t)·M(z,t)·C (12)

其中 M(z,t) 是相对抑制剂的浓度,A 是曝光相关的吸收系数,B 是曝光无关的吸收系数,C 表示抑制剂的光学灵敏度。

**2.1.3 刻蚀模型**

刻蚀模型通过模拟等离子体刻蚀过程中的效应来解决光刻中的图案转移过程,其中已显影的光刻胶轮廓被转移到下方的衬底上。随着技术节点的缩小,刻蚀引起的关键尺寸(CD)变化已成为片内变异性的重要贡献因素3?。刻蚀模型大致分为紧凑经验模型和严格物理模型3?。紧凑刻蚀模型将复杂的等离子体物理压缩为一组基于卷积的近邻变量,以实现全芯片校正速度。Granik3? 提出的可变刻蚀偏差(VEB)模型是一种基础性的紧凑模型,将给定布局边缘点的刻蚀偏差 b 表示为三个局部几何变量的函数:图案密度 d、图案间距 s 和图案粒度 g。其基本多项式表达式为:

b = b? + b_d·d + b_s·s + b_ds·d·s (13)

其中 b? 是均匀偏差,b_d 和 b_s 分别是密度偏差系数和间距偏差系数,b_ds 是交互项。密度 d 通过布局图案在相互作用半径内的加权卷积积分定义,反映刻蚀剂消耗(微负载效应)。间距 s 是一种各向异性积分,衡量感兴趣点周围的有效沟槽宽度,捕获孔径效应。VEB 模型在多晶硅层数据上实现了 4.0 nm 的均方根误差和 R2 = 0.96,证明了三个近邻变量能够充分捕获包括等间距/密集偏差和侧壁欠刻在内的主要刻蚀机制。其基于卷积的表达式支持全芯片 OPC 集成,但多项式项数量有限,限制了其捕获密集嵌套布局中复杂二维近邻效应的能力。一种广泛采用的扩展模型——基于模型的刻蚀近邻校正(MB-EPC)——在高阶多项式中引入了多个现象学核3?:

刻蚀偏差 = C? + C?·Den + C?·Vis + C?·Blo + C?·Den2 + C?·Vis2 + ? (14)

其中 Den、Vis 和 Blo 分别表示密度核、可见核和阻挡核信号,系数 C_i 通过线性回归确定。这三个核分别捕获刻蚀剂消耗、图案开放度和相邻特征造成的阴影效应。尽管已部署于生产 OPC 流程中,但固定核的经验性质限制了其泛化能力,据报道在 20 nm 节点处残差约为目标 CD 的 15%。机器学习驱动的方法已被探索以克服这些局限性,通过直接从数据中学习刻蚀偏差。Shim 和 Shin3? 提出了一种基于人工神经网络(ANN)的模型,使用 34 个输入参数(结合局部图案密度和光学核信号),与二阶 MB-EPC 相比,在 20 nm DRAM 栅极层上实现了 3σ CD 变异降低 2.4%。严格物理刻蚀模型(包括模拟刻蚀化学、聚合物重新沉积和离子重新发射的水平集前沿传播方法)具有较高的物理保真度,但计算量过于庞大,不适合全芯片应用;它们主要作为紧凑模型校准和工艺开发的参考3?。

**2.1.4 掩模模型**

掩模模型用于描述入射光与掩模图案相互作用产生的衍射近场或衍射频谱,包括其三维结构。它是连接布局设计、悬浮像计算和后续光刻胶模型的关键环节。掩模模型的主要作用是尽可能准确地表征掩模对光场振幅、相位、偏振态和入射角相关的衍射行为的调制。其精度直接影响 OPC、SMO 和 ILT 等优化算法预测边缘放置误差、工艺窗口和局部热点的能力。在较早或相对宽松的技术节点,当掩模特征尺寸远大于曝光波长时,通常采用 Kirchhoff 薄膜掩模近似1,3?。该模型实现简单、计算效率高,且便于与霍普金斯或阿贝尔成像模型耦合。因此,它长期以来被用于大规模布局模拟和模型基准分析。当技术节点推进到 45 nm 及以下时,掩模图案尺寸变得与曝光波长相当甚至更小3?。在此范围内,薄膜掩模近似忽略了由掩模厚度、侧壁轮廓、材料堆叠和斜入射引起的电磁散射差异,从而在 CD 预测、图案放置和工艺窗口预测中引入系统性误差。在先进节点,M3D 效应、偏振效应、像差和工艺变异显著影响成像结果,使得薄膜掩模模型不足以应对小特征图案1,??。厚掩模模型通过纳入三维掩模拓扑结构和掩模材料的光学特性,对掩模衍射近场提供了更真实的描述。对于深紫外(DUV)光刻,M3D 效应主要表现为图案边缘附近的振幅和相位扰动3?。对于极紫外(EUV)光刻,由于系统采用反射式掩模,M3D 效应更为显著3?。吸收体阴影、侧壁散射、多层反射引起的相位变化以及掩模面上的离焦可共同导致 CD 误差、图案放置偏移、对比度降低和远心率误差。特别是在高数值孔径 EUV 条件下,M3D 不再是可以通过后端经验校正完全吸收的小扰动,而应作为掩模模型的核心组成部分显式地纳入成像模拟中。除了确定性的 M3D 效应外,EUV 时代的掩模建模还应与随机效应建模相结合。光子散粒噪声、随机光刻胶反应和局部缺陷并不完全属于掩模几何模型本身。然而,它们可以通过掩模调制的悬浮像分布来放大或缓解局部图案的失效风险。由于 EUV 光子具有较高的单光子能量,在相同曝光剂量下,光子数显著低于 DUV 光刻,使得曝光强度波动和随机 CD 变化更加显著1。当接触孔等局部特征需要相对较低的剂量时,随机缺陷、桥接、断线和线宽不均匀性可能成为良率限制因素。因此,面向生产的掩模建模应将确定性厚掩模响应与随机扰动项、缺陷灵敏度指标或统计工艺窗口评估相结合。

**2.1.5 与计算光刻相关的算法**

现有的计算光刻算法包括基于梯度的迭代算法?1,?2、启发式算法?3,??、压缩感知算法??,??和机器学习算法??。图 3 直观地展示了主要的计算光刻优化算法。

图 3. 计算光刻优化算法的分类示意图。主要类别包括基于梯度的迭代算法、启发式算法、压缩感知算法和机器学习算法。基于梯度的迭代算法利用目标函数的梯度更新优化变量;启发式算法通过受自然启发的或群体智能机制进行全局搜索;压缩感知算法利用信号在特定基函数下的稀疏性进行降维和重建;机器学习算法从数据驱动模型中学习复杂的非线性映射。

基于梯度的迭代算法是目前应用最广泛的算法类别,包括最速下降法(SD)、随机梯度下降(SGD)和水平集方法等典型代表。其基本思想是利用目标函数关于优化变量的梯度信息来指导迭代更新1,??。启发式算法模拟自然现象或群体智能,适用于梯度信息难以获取或存在大量局部最优的大规模复杂优化问题??。此类算法通常具有全局视角、强并行化潜力和鲁棒性,但往往以牺牲部分理论严谨性为代价,并显著依赖经验参数调优??。此外,压缩感知理论的引入为降低计算光刻中的数据维度提供了新方法?。其核心原理在于利用光源或掩模信号在特定基函数下的稀疏性??,从而在远低于奈奎斯特频率的采样率下从测量中重建优化结果。近年来,机器学习(特别是深度学习技术)的快速发展为计算光刻开辟了新的发展路径。

传统机器学习方法,如多层感知机(MLP)和支持向量机(SVM),已被应用于掩模校正预测和厚掩模的近场快速计算等任务?1。与此同时,深度学习模型,包括卷积神经网络(CNN)和生成对抗网络(GAN),凭借强大的特征提取和非线性拟合能力,在计算光刻领域展现了在计算速度和精度方面的优势1。综上所述,前述综述表明,计算光刻模型与算法的下一个突破很可能源自两个关键研究领域。第一,开发高保真度且计算紧凑、可微分的模型,以联合捕捉矢量成像、M3D效应、光刻胶动力学、刻蚀近距效应和随机波动,同时为先进节点制造提供校准的不确定性估计。第二,设计兼顾物理解释性、全局搜索能力和可制造性意识的优化算法,使曲线掩模自由度、工艺窗口鲁棒性和硬件友好的计算核能够在统一框架内进行优化。这些方向的进展将直接缩小严格物理建模与生产级掩模优化之间的差距。

**2.2 先进节点下日益攀升的计算复杂性与新兴需求**

弥合计算效率与光刻建模及优化日益增长的复杂性之间不断扩大的鸿沟,需要新的计算范式。随着半导体工艺技术持续进步和技术节点不断演进,产业需要持续提升的成像性能指标。一方面,器件集成度提高和特征尺寸缩小要求管理计算光刻中数据量和复杂性的指数级增长。随着技术节点推进至7纳米及以下,单层版图数据可达数百吉字节1,栅格化后的像素数量达数十亿。另一方面,各种光学效应、系统误差和工艺波动对成像质量的影响日益显著,对精度的要求也越来越高。由于简化模型逐渐无法满足先进节点的精度要求,迫切需要高保真度模型,如矢量成像模型、厚掩模衍射模型和严格光刻胶模型,这些模型能够准确描绘物理过程,同时克服其极高的计算复杂性,使大规模应用成为可能?2。此外,由于传统的结合全芯片光刻邻近效应校正(OPC)与图形传递技术(ILT)来处理局部热点的方法已无法满足先进节点的精度要求,产业向全芯片ILT的转型产生了对大幅缩短计算时间的新型策略的迫切需求。由于计算光刻问题通常具有高度非线性和大量局部最优解?3??,需要先进的优化算法来同时实现快速收敛和全局最优。为支持方法的快速演进,解决由数据规模爆发式增长、精度要求严苛和算法复杂性上升所驱动的计算效率这一核心瓶颈至关重要。这一背景还需要解决可制造性约束与优化灵活性之间的固有冲突??,以及应对极紫外(EUV)光刻的独特需求??。由于EUV采用反射式光学系统,成像模型必须准确表征掩模阴影、眩光、光子散粒噪声和非远心性等新型效应1。最终,半导体产业持续需要更快、更稳健的仿真技术来加速下一代光刻工艺的研发周期。

随着半导体制造扩展到3纳米和2纳米节点,以及高数值孔径(high-NA)EUV光刻的引入,掩模优化正在发生变化。产业正从局部热点修复转向全芯片ILT。这一转变值得深入调查。我们首先分析全芯片ILT带来的具体技术要求,然后详细讨论不同ILT方法背后的核心计算操作。图4总结了全芯片ILT的新兴技术需求以及基于物理和基于AI的ILT范式各自的计算基础,强调了它们对大规模傅里叶域运算、卷积、非线性优化、张量计算和自动微分的依赖。

图4. 全芯片ILT的新兴需求与计算基础。(a) 全芯片ILT引入的主要技术需求总结。(b) 两种代表性ILT范式背后核心计算操作的说明。

**2.2.1 全芯片ILT驱动的新技术要求**

将ILT应用于整个芯片会产生特定的工程和物理需求。首先,全芯片ILT生成的掩模具有自由形式的曲线形状。传统的可变形状光束(VSB)掩模写入设备通过组合小矩形来形成图案。当VSB设备尝试写入曲线形状时,机器必须使用无数微小的矩形来近似曲线边缘。这导致电子束照射次数指数级增加,使得写入时间过长,无法满足生产需求。因此,多光束掩模写入(MBMW)系统成为必需,因为它们以均匀网格写入像素,写入时间独立于图案复杂性??。此外,存储和传输大量曲线多边形数据需要新型数据格式,如OASIS.MASK,以确保高效的数据压缩??。

另一个主要需求源于表示整个芯片所需的大量像素矩阵,该矩阵过大,无法装入单台计算机的物理内存。因此,必须通过称为分区的过程将整个版图划分为较小的空间块,以实现分布式计算。然而,光具有物理干涉半径。当计算分区块边缘的光场时,算法缺乏相邻块的图案信息,导致边界截断误差,通常被称为光环效应。为防止这些算法引入的错误导致晶圆上的物理印刷缺陷,必须开发严格的拼接算法,以确保光场和掩模图案在块边界之间平滑过渡。

此外,随着产业采用EUV系统,短工作波长意味着给定曝光剂量下可用的光子数量更少。光子的这种离散特性使光子散粒噪声(即随机效应)成为影响最终印刷图案的重要因素??。此外,EUV掩模由厚多层反射镜构成,这种物理厚度导致M3D效应,包括相位偏移和阴影??。为维持整个芯片的成像一致性,全芯片ILT的代价函数必须纳入光子分布的全局概率模型和M3D计算的快速物理近似。关于高数值孔径EUV光源-掩模协同优化的最新工作进一步表明,高数值孔径特有效应,包括非等比放大、瞳孔中心遮挡和掩模3D效应,必须明确纳入光刻成像和优化模型中,以提高成像保真度并减少图形化误差?。最后,虽然制造设施可以生产曲线掩模,但电子设计自动化(EDA)工具仍将布线和版图限制在正交曼哈顿网格上。这种结构不匹配限制了可用的工艺窗口。为实现真正的设计技术协同优化(DTCO),产业必须推进曲线设计规则,使设计师能够使用曲线来表达设计意图,并使上游设计阶段与下游制造能力对齐。

**2.2.2 ILT的计算基础:物理驱动与AI驱动范式**

计算光刻目前处于纯数学物理优化与数据驱动深度学习模型的交叉点。无论采用物理驱动的ILT还是基于深度神经网络的新型ILT,其底层机制都建立在大量的数学和张量运算之上。理解这些基础需要将两种方法都还原到其核心数学操作、应用场景和计算特性。

物理驱动的ILT涉及严格的正向物理仿真结合反向数值优化,使用共轭梯度或水平集等方法。其基础计算围绕信号处理、偏微分方程和线性代数展开。主要操作之一是二维快速傅里叶变换及其逆变换(FFT/IFFT)。在计算空气成像时,直接评估空间卷积会产生极高的计算复杂性O(n?)。因此,系统利用二维FFT将掩模和TCC核转换到频域进行乘法运算,然后使用IFFT将结果转换回空间域。这种离散傅里叶变换过程是高度受内存带宽限制的,需要密集的全局内存访问和大量的复数运算。此外,二维矩阵卷积在SOCS模型中大量使用,其中掩模传递函数与由奇异值分解(SVD)得出的特征核进行卷积。这需要大规模的滑窗乘累加(MAC)操作。此外,在基于轮廓和水平集的ILT中,求解偏微分方程至关重要,其中掩模边界演化需要求解哈密顿-雅可比偏微分方程?1,表示为:

?φ/?t + V|?φ| = 0,(15)

其中φ表示代表掩模边界的水平集函数,t表示伪时间或迭代步骤,V表示边界演化的法向速度,?表示梯度算子。这一步涉及大量有限差分操作来计算空间梯度,需要平方根、绝对值和除法运算。

最后,光刻胶模型阈值截断需要逐元素运算,通常使用如下公式的Sigmoid函数进行模拟:

f(x) = 1/(1 + e^(-(ax - tr))),(16)

其中f(x)表示光刻胶模型的输出(模拟轮廓),a表示光刻胶轮廓的陡峭度(斜率),tr表示光刻胶显影的阈值水平。除了光刻胶建模外,这些运算也用于通过伴随状态法进行梯度计算。这些逐元素步骤涉及超越函数(如指数和对数)的密集计算,需要高计算吞吐量。

相比之下,基于人工智能的ILT,包括神经网络水平集方法、端到端生成网络和基于GAN的掩模合成,本质上是将物理优化过程编译为神经网络权重?2。无论架构复杂度如何,底层操作统一为张量计算和自动微分。通用矩阵乘法(GEMM)是深度神经网络(DNN)全连接层、注意力机制中查询(Q)、键(K)和价值(V)矩阵计算以及通过图像到列(im2col)算法展开的二维卷积中的核心计算操作。其基本公式可表示为:

Y = WX + B,(17)

其中Y表示输出张量,W表示权重矩阵,X表示输入张量,B表示偏置向量。GEMM是高度计算受限的,也是GPU或张量处理单元(TPU)加速最优先优化的目标。与GEMM一起,二维互相关和卷积操作对于CNN提取局部几何特征以及GAN在生成器和判别器中映射特征至关重要。生成器还依赖转置卷积进行上采样。这些高度并行的MAC操作通常使用Winograd算法或FFT在现代计算库中进行加速。

为了在网络每层之后引入非线性,使用轻量级的逐元素操作,称为非线性激活函数,如ReLU、LeakyReLU、GELU或Sigmoid,通过简单的条件分支或算术运算来实现。张量归一化,包括批归一化或层归一化,公式为:

x? = (x - μ) / √(σ2 + ε),(18)

其中x?表示归一化后的张量,x表示原始输入,μ表示均值,σ2表示方差,ε表示用于数值稳定性的小常数。这种归一化机制用于通过稳定内部激活的分布来加速网络收敛并缓解梯度消失问题。这涉及均值和方差的归约运算以及标量除法。

最后,训练和优化过程依赖于损失函数和自动微分。前向传播计算L2损失或极小极大损失等指标,而反向传播通过链式法则更新网络权重,本质上执行雅可比-向量乘积。

基于这些新兴需求,有两个突破方向值得特别关注。第一,全芯片ILT需要感知内存和数据流的优化框架,以最小化光环引起的边界误差,支持无拼接或近无拼接的分布式计算,并在存储、传输和掩模写入各阶段高效处理曲线掩模数据。第二,面向高数值孔径EUV的ILT应将随机波动性、M3D效应和工艺窗口指标纳入可扩展的目标函数中,而非将其视为优化后的验证项。实现这些目标将使ILT从一个高质量但计算密集的优化工具演变为一个稳健的全芯片制造方法学。

**2.3 现有加速技术:GPU与AI**

针对先进节点计算光刻所面临的指数级增长复杂性挑战,产业和学术界近年来提出了各种加速策略。其中,基于GPU的硬件加速和由AI驱动的算法优化已成为主要发展方向11?3。

本节中,我们分析了这两种加速方法,以便为后续讨论如何利用光子计算来解决光刻工作流程中的瓶颈奠定基础。

### 2.3.1 基于GPU的硬件加速

基于GPU加速的计算光刻核心原理在于,充分利用光刻模拟和掩模优化等过程中固有的大规模数据并行性。这通过设计与GPU单指令多线程(SIMT)架构相匹配的高度定制化并行算法来实现。具体而言,该方法涉及将光刻系统建模中涉及的物理过程——包括部分相干成像、光刻胶效应和刻蚀偏置——重构为可在GPU上高效执行的并行计算任务。通过利用统一计算设备架构(CUDA)等并行编程模型,光传递函数的卷积运算、Hopkins成像公式中的高维积分、傅里叶变换以及光刻胶阈值响应等核心计算模块均被迁移至GPU。这种策略充分发挥了GPU在高性能和高内存带宽方面的优势,从而实现数量级级别的效率提升。表1展示了具有代表性的通用GPU计算(GPGPU)平台和框架。

**表1. 具有代表性的通用GPU计算(GPGPU)平台和框架**

| 平台/框架 | 厂商 | 典型应用 |
|---|---|---|
| CUDA | NVIDIA | 科学计算、AI加速、ILT加速 |
| OpenCL | Khronos Group | 跨平台GPGPU计算 |
| ROCm | AMD | 开源GPU通用计算 |
| cuLitho | NVIDIA | 专为OPC/ILT优化设计的GPU框架 |
| TensorFlow/PyTorch | Google/Meta | 基于GPGPU的深度学习框架 |

传统的基于中央处理器(CPU)的计算方式受限于串行处理和有限的计算能力,在先进节点上难以融入复杂的物理模型。向基于GPU的并行计算转型从根本上突破了这一瓶颈。Torunoglu等人的早期研究展示了GPU加速的全芯片ILT可行性13。2017年,Pang等人提出了一种GPU加速的兼容型基于模型的掩模工艺校正(MB-MPC)框架64。同年,Pearman等人引入了一种全芯片曲率EUV剂量和形状校正方法,能够利用GPU高效执行带有任意非高斯核的全芯片卷积65。2022年,Zhao等人提出了AdaOPC框架,通过将核心计算任务完全迁移到GPU上来实现加速66。2023年,Yu等人聚焦于ILT中核心且耗时的物理模拟部分,直接使用GPU加速光刻模拟中的快速傅里叶变换(FFT)和卷积运算67。Sun等人进一步采用多级模拟策略大幅缩短了ILT迭代优化时间,充分展示了GPU在加速多级光刻模拟中的关键作用68。2024年,Yin等人提出了FuILT,一种面向实际工业场景的可扩展全芯片ILT系统69。FuILT通过多GPU并行实现高效加速,实现了多级分区拼接和边界修复策略。2025年,Yang等人提出了CurvyILT,一种用于高质量曲率掩模生成的GPU加速ILT框架70。D2S在图5(a)和5(b)中展示的一系列研究系统性地证明了GPU加速在ILT中的关键作用12,71,72。传统ILT因计算复杂度高、分区引起的拼接误差以及过长的处理时间而受阻,使其难以应用于全芯片场景12。2019年,D2S开发了一个GPU加速的计算设计平台(CDP),集成了数十对GPU-CPU对以模拟一个巨型GPU/CPU单元,首次实现了无拼接的全芯片曲率ILT优化。同年晚些时候,D2S发布了商业软件TrueMask? ILT,可在一天内实现精确的全芯片ILT。2020年,D2S进一步提出了掩模-晶圆联合优化(MWCO)方法,采用GPU加速迭代优化以针对晶圆边缘放置误差(EPE)。这一进展使得VSB掩模写入器的全芯片曲率ILT优化成为可能,使掩模写入可在12小时内完成71。

**图5. D2S和NVIDIA的GPU加速计算光刻解决方案。**

(a) 传统CPU/GPU配对方法与D2S方法的比较。D2S基于"从零开始"的概念模拟一个巨型CPU/GPU对来进行全芯片ILT优化。(b) 使用传统方法和D2S方法进行光刻图案处理的示意图。TrueMask ILT能够避免分区拼接误差。(c) 使用NVIDIA GPU加速计算光刻提升光刻处理速度。上半部分展示了光刻基本操作并行算法的加速情况,列出了各种操作在GPU加速下的性能提升。下半部分比较了在NVIDIA Hopper和Ampere GPU上实现的端到端OPC加速。图片引自:(a)(b) ref.12, PRISMALIGHT TECHNOLOGY Limited Liability Partnership; 重绘自:(c) NVIDIA, 由Vivek Singh展示,"Accelerating Computational Lithography: Enabling our Electronic Future", NVIDIA GTC 2023, Session S52510, 幻灯片36和38。

实验结果表明,这种GPU加速的ILT方法相比传统OPC将工艺窗口扩大了超过100%,显著提升了先进节点下的光刻分辨率和图案保真度。在GPU加速的ILT优化基础上,D2S在2021年的研究中通过采用多束掩模写入器解决了掩模写入时间难题,为行业提供了一种可制造的全芯片曲率ILT方案72。2023年,NVIDIA推出了NVIDIA cuLitho,一个GPU原生的计算光刻库,对核心算法进行了并行执行重构。这一转变带来了效率的变革性提升,大幅缩短了先进工艺节点的开发迭代时间。根据NVIDIA官方数据(如图5(c)所示),cuLitho平台在ILT性能上实现了高达40倍的加速。端到端OPC工作流在Ampere GPU上实现约23倍加速,在Hopper GPU上实现高达42倍加速,展示了贯穿完整OPC处理流程的显著系统级加速。NVIDIA cuLitho的引入标志着计算光刻从以CPU密集型为范式的根本性转变,转向了GPU加速范式。

### 2.3.2 基于AI的算法加速

利用AI加速计算光刻的核心思想体现在两种主要范式中。首先,AI可以部分或完全替代计算密集型的正向物理过程,以高效模型取而代之。其次,AI可以直接从计算光刻数据中学习,并以端到端的方式生成校正方案,从而加速整体计算光刻工作流。随着计算光刻复杂性的急剧增加,基于第一性原理的传统建模方法在效率和可扩展性方面面临严峻挑战。AI技术,尤其是深度学习,正在从方法论层面重塑计算光刻的技术路线。经过大规模模拟或实验数据集训练的AI模型具有强大的特征提取和泛化能力,能够在不牺牲精度的前提下显著提升计算效率。目前,GAN和CNN等模型被广泛用于构建计算光刻的快速高效代理模型。这些模型学习掩模图案、光源配置和显影光刻胶轮廓之间复杂的非线性映射关系,从而加速或替代物理模拟过程。将AI集成到掩模优化、热点检测和光刻模拟等关键计算光刻任务中,相比传统方法可实现数十至数百倍的加速,展现出在光刻工艺高精度、高效率优化方面的巨大潜力。2018年,NVIDIA的Chen指出,在摩尔定律放缓的背景下,应利用AI和深度学习技术加速光刻和制造过程,从而实现高良率和高可靠性的芯片生产73。随着半导体工艺节点推进到7nm及以下,Shi等人于2022年提出了一种基于U-Net架构的深度学习OPC框架,在先进节点的掩模校正中实现了数量级的加速74。聚焦于模型层面的创新,Yang等人于2023年引入了卷积傅里叶神经算子(CFNO),将光刻正向模拟的物理先验知识深度嵌入神经网络架构中,从而从根本上加速了计算光刻任务(建模和优化)75。为实现系统性的比较和可重复的基准测试,LithoBench76和LithoSim77等大规模公开数据集已发布,提供了广泛、真实的数据和统一的评估指标,加速了用于ILT和掩模优化的高效、可比AI模型的发展。虽然标准深度学习技术在简化迭代过程方面展现了巨大潜力,但在应用于复杂的光学光刻优化时遇到了显著瓶颈。这些"黑箱"架构通常需要大量标注数据集,且往往缺乏物理可解释性。为克服这些局限,模型驱动深度学习(MDL)78–80范式作为一种强有力的竞争者应运而生。与传统的深度学习不同,MDL将特定领域的物理定律和数学模型明确地集成到神经网络的架构和优化轨迹中。2018年,Ma等人率先提出模型驱动卷积神经网络(MCNN)框架,以克服传统迭代ILT的收敛瓶颈78。通过将基于梯度的迭代优化过程展开为深度神经网络架构,他们建立了从目标布局到具有明确物理意义的优化掩模近似之间的映射。2020年,Ma等人进一步发展了双通道模型驱动深度学习(DMDL)框架,该框架通过算法展开从基于梯度的ILT优化模型中数学推导而来,同时优化掩模轮廓并插入亚分辨率辅助特征(SRAFs)79。最近,Zhang等人提出了一种模型驱动图卷积网络(MGCN)方法,有效地捕捉了光学邻近效应中固有的径向对称干涉80。需要特别强调的是,基于AI的算法加速和基于GPU的硬件加速并非互斥的技术路径11。它们在演化过程中展现出越来越强的协同和整合趋势,共同推动计算光刻向更高效和更智能的方向发展。2020年,Liu等人提出了一种基于完全可微模块化神经网络的掩模合成框架,利用GPU硬件加速和开源机器学习平台,显著提升了开发效率和运行时性能81。同年,Jiang等人引入了Neural-ILT,一个将传统ILT流程完全迁移至与基于CUDA的GPU光刻模拟器集成的深度学习神经网络架构的加速框架82。该框架在32nm节点测试用例上实现了70倍加速。在此基础上,Jiang等人于2022年引入了领域特定预训练和多任务学习,在平衡掩模可打印性和复杂性的同时实现了15倍至30倍的掩模优化流程加速83。后续的几个框架进一步增强了ILT能力:A2-ILT引入了空间注意力机制和强化学习以改善优化质量84;DAMO在全芯片OPC任务上实现了工业级性能85;DevelSet将深度神经网络与水平集方法结合用于二次掩模优化86;Liu等人开发了一个基于生产线的端到端光刻预测系统,在单张消费级GPU上实现了每张图像2.5毫秒的推理时间87。尽管有了这些速度提升,但基于AI的光刻方法在生产中的部署面临着仅靠运行时基准测试无法捕捉的可靠性挑战。大多数报告的结果是在与训练相同的工艺节点、照明条件和掩模堆栈下进行评估的。然而,在制造过程中,工艺参数——光源形状、光刻胶材料、掩模吸收层堆栈以及节点本身——都在持续调整。在这些变化下,纯数据驱动模型可能表现出脆弱的泛化能力。此外,现有研究通常报告平均情况指标,如平均L2和平均EPE,而生产光刻则由最坏情况要求所主导:一个未被检测到的热点就可能导致良率损失。下一小节将详细探讨这些局限性。

### 2.3.3 当前加速方法的实际挑战

GPU和AI已被广泛应用于计算光刻加速领域,在OPC、亚分辨率辅助特征(SRAF)生成、光刻掩模建模和刻蚀效应校正等各个阶段发挥着重要作用。然而,从实际工业部署和先进技术节点需求的角度来看,基于GPU和基于AI的加速方法仍面临重大局限。它们的性能提升无法仅通过增加计算资源或扩大模型容量来维持。GPU仍然受限于冯·诺依曼计算范式,因此仍然受制于与数据移动、内存带宽和能耗相关固有的局限性,通常被称为内存墙和功耗墙88。随着版图规模、工艺复杂性和光刻模型精度的持续提升,计算瓶颈已从算术运算转移到数据访问、通信和系统级调度。因此,简单堆叠GPU计算资源不足以从根本上解决计算光刻的可扩展性挑战。同时,算法开发和系统移植的高技术复杂度也构成了当前基于GPU的加速方法的重大挑战。基于AI的计算光刻加速方法在推理能力方面遇到实质性的障碍6。一个根本性约束是训练数据的可用性。在先进节点下,计算光刻的高质量配对数据昂贵且难以获取,原因在于工艺保密性和基于SEM标注的成本。

当前应用最广泛的公开基准测试 LithoBench76,其版图案源自 ICCAD 2013 CAD 竞赛;这些图案仅代表单一技术节点,且照明配置有限。对于 5 纳米及以下工艺节点,公开可用的、能反映生产实际状况的训练数据几乎完全缺失。同样构成限制的是,跨多个技术节点、具有匹配掩模-参考对的跨节点数据集严重匮乏。这种稀缺不仅制约了模型开发,也限制了公平比较:某方法在单节点基准上表现优异,可能仅仅是因为数据集中特有的相关性在工艺变化时便会消失。跨节点数据的缺失直接反映了一个更深层次的问题:在一个技术节点上训练的模型很少能迁移到另一个节点,因为光学邻近特性、设计规则和特征密度在各节点间都会发生变化。由于为每个节点收集单独标注的数据在经济上难以承受,该领域越来越多地采用一种绕过数据瓶颈的策略,即将光刻成像物理嵌入网络架构本身。由于支配物理规律在不同技术节点间保持不变,物理结构化的模型原则上可以通过仅更新物理参数(而非重新学习整个映射)来适应新节点。模型驱动深度学习(MDL)框架78–80通过算法展开体现了这一原则,但文献中尚未见系统性验证跨节点迁移的研究。同样的逻辑也适用于跨照明条件和掩模堆栈的可迁移性。在生产中,照明光瞳和掩模堆栈通常按层和按产品进行调整,但在一种配置下训练的网络在另一种配置下通常无法正常工作。它不知道物理规律发生了变化,只知道其预测不再匹配。在这里,将物理参数作为显式条件输入或作为可微仿真器的层,提供了一种有原则的补救方法。早期的探索包括 CFNO75 和可微光刻仿真器3,82,但对完整掩模堆栈变化的扩展仍未被探索。将物理嵌入网络还服务于第二个同样重要的目的:强制物理一致性。纯数据驱动模型可能产生违反基本物理约束的输出,例如含有亚衍射特征的掩模或暗示负浓度的抗蚀剂轮廓。在制造中,这些违反直接转化为掩模规则检查失败和晶圆缺陷。上述 MDL 框架通过构造解决了这个问题,因为每个网络层都反映了物理优化过程中的一个步骤。物理一致性不应被视为叠加在其他黑盒模型上的可选约束;事实上,它正是实现跨节点和跨条件泛化的机制。物理结构化模型不太容易产生非物理输出,因为其内部表示锚定在已知的成像算子上。

除了泛化之外,制造部署还要求模型对其预测表达置信度。目前大多数 AI 光刻模型输出确定性结果而不提供不确定性估计。当模型无法标记低置信度区域时,唯一的选择就是同等信任每个预测,而当单个被遗漏的热点就可能导致良率损失时,这是不可持续的。在其他安全关键领域广泛采用的贝叶斯方法和保形预测,在计算光刻中的应用仍然有限。最坏情况的要求更为深刻。生产光刻不由平均误差指标支配,而是由芯片上表现最差的单个站点决定。一个取得优异综合分数的模型仍可能遗漏一个热点并导致灾难性的良率损失。当前基准测试仅报告综合指标,并未系统性地衡量尾部风险或热点检测召回率。因此,建立最坏情况评估协议和对抗性压力测试是制造部署的先决条件。物理信息架构提供了一种部分保障,但它们并不消除显式最坏情况验证的必要性。一个在关键边缘仅仅错误的物理一致修正仍然无法满足制造要求。

综合来看,这些挑战定义了实验室演示与制造级部署之间的差距。它们包括根植于现有基准测试单节点特性的数据稀缺、跨节点和跨条件的脆弱性、对物理一致性的双重需求(既作为泛化策略又作为可制造性保障),以及未被满足的不确定性量化和最坏情况验证需求。弥合这一差距不仅需要架构创新,还需要奖励泛化和可靠性而非仅追求综合速度的基准测试实践。尽管 GPU 和 AI 的集成提供了加速计算光刻的有前途的途径,其实用有效性取决于算法、数据、硬件和工艺知识之间的深度协调。计算光刻加速的未来发展应超越算法或硬件性能的孤立改进。它应进一步整合先进的数据处理技术、物理信息建模、异构计算架构和面向制造的闭环验证机制。因此,未来加速研究应聚焦于两个可能带来下一个重大突破的关键领域。一个是面向计算光刻的可信 AI,包括物理信息神经网络架构、不确定性感知推理、数据高效训练以及与晶圆或严格仿真反馈的闭环校准。另一个是异构系统协同设计,其中 GPU、CPU、光子协处理器、存储层次结构和光刻算法在内核、数据流和工作流层面进行协同优化。这种协同设计至关重要,因为实际加速不仅由算术吞吐量决定,还取决于数据移动、数值精度、校准成本以及与现有 OPC/ILT 生产流程的兼容性。

3 为什么光子计算适合计算光刻

计算光刻的快速发展对计算硬件在算力方面提出了前所未有的要求。面对日益严格的成像要求和大规模数据处理带来的压力,现有计算架构和算法框架逐渐暴露出其固有的性能瓶颈。基于冯·诺依曼架构的传统电子计算系统,受存储和处理单元物理分离的制约,导致数据移动延迟和带宽限制等挑战日益加剧88。同时,随着晶体管特征尺寸逼近基本物理极限21,量子隧穿和热耗散等问题严重制约了摩尔定律89 所预测的持续扩展。探索新型计算范式以突破这些限制已成为推进计算光刻的必然选择。光子计算凭借其固有的高并行性、低延迟和低功耗优势,近年来受到学术界和产业界的高度关注,有望成为计算光刻变革性的加速途径。本节将概述光子计算的基本原理,分析其关键特性与光刻任务计算需求如何契合,并讨论光子计算在增强计算光刻工作流方面的潜力。

3.1 光子计算的基础与架构

光子计算是一种新型计算架构,利用光作为信息加载、传输和处理的载体。其核心优势是多方面的。光子作为玻色子,不受泡利不相容原理的约束,使其在传播期间能够实现几乎无串扰的并行传输。光子计算利用光波的多个独立信息维度,如强度、相位、偏振、频率和轨道角动量进行编码,为高维并行计算提供了物理基础90,91。光信号以光速传播,信息加载和计算过程几乎同时发生,处理速度在理论上仅受光通过系统所需时间(飞行时间)的限制。光学系统通常表现出低传输损耗,在能效方面具有显著优势。基于不同的实现方式,光子计算可分为两大类:自由空间光学计算和片上集成光子计算16。图 6 和图 7 展示了这两种物理实现方式。

图 6. 自由空间光学计算的物理架构与应用。(a) D2NN 的结构与功能演示。(b) 方向性衍射深度神经网络(D-D2NN)的实验装置。(c) 利用傅里叶空间衍射深度神经网络(F-D2NN)进行显著目标检测的示例。(d) 在光学伊辛机中通过矩阵-向量乘法系统执行量子模拟的原理图。图片引用自:(a) 文献92,美国科学促进会。(b) 文献93,美国科学促进会。(c) 文献94,美国物理学会。(d) 文献95,约翰·威利与儿子公司。

自由空间光学计算利用光在空间中的传播、干涉和衍射现象,通过对光场的调制执行特定计算任务,使用空间光调制器(SLM)、数字微镜器件(DMD)和超表面等设备。其理论基础可追溯至瑞利-索末菲衍射积分和角谱理论16。自由空间架构将信息调制与光场传播解耦:调制面编码输入数据,而光通过自由空间的传播本质上实现了傅里叶变换、卷积和线性叠加等操作。这种三维处理范式克服了传统二维平面布局带来的面积和能量限制,使百万级计算元素的可扩展集成成为可能,并为光学系统实现超高吞吐量和低延迟提供了物理基础95。此外,基于超表面的光学元件的理论基础建立在超表面电磁波(M 波)原理之上,其特征是波长极短、相位突变和强色散,能够实现超越经典衍射极限的亚波长级波前操控96。近期全空间伴随法反演设计的进展进一步扩展了这一范式,使自由形式超光学器件能够在亚波长尺度上实现精确、按需的矢量场整形,同时克服复杂边界条件的干扰97。

图 7. 片上集成光子计算的物理架构与应用。(a) 基于紧凑型光学卷积处理单元(OCPU)的卷积操作。(b) 光学衍射多任务处理系统及其应用的原理示意。(c) 基于遗传算法训练机制的光学处理器。图片引用自:(a) 文献102,施普林格·自然。(b) 文献103,施普林格·自然。(c) 文献104,美国化学会。

片上集成光子计算利用波导型光子结构在芯片尺度上处理信息。通过利用微环谐振器(MRR)和马赫-曾德尔干涉仪(MZI)98 等集成光学器件构建可编程光子电路,实现对光信号强度、相位和偏振等多个自由度的精确控制。该方法使得在模拟域中直接执行特定数学运算成为可能。基于硅光技术的光子计算芯片与成熟的 CMOS 工艺兼容99,这不但确保了高密度集成和大规模制造的可行性,也为实现混合光电计算架构提供了坚实平台。该方法有望突破后摩尔时代在算力和能效方面的限制。此外,研究人员还探索了其他类型的光子计算单元,如片上衍射结构18,100,101 和相变材料阵列,进一步丰富了片上集成光子计算的实现途径。

总体而言,光子计算可大致归为两种互补架构:自由空间光学计算和片上集成光子计算。前者通常采用三维自由空间光学配置,其优势在于固有的二维并行性、能在单次光传播中完成大规模模拟计算、低功耗以及与图像和波前信息处理的直接兼容性。然而,该架构仍面临若干挑战,包括系统占地面积较大、对光路对准和制造误差敏感、可重构器件的速度和调制深度有限、仿真到实物的物理失配,以及缺乏高效光学非线性。相比之下,片上集成光计算基于硅、氮化硅和薄膜铌酸锂等集成光子平台,在微型化、稳定性、CMOS 兼容制造、系统封装和可编程部署方面具有显著优势,适用于 AI 推理加速、矩阵乘法累加和卷积运算以及信号处理等应用场景。然而,其进一步发展仍受到 MZI 阵列的面积和相位校准复杂性、MRR 对热和制造的敏感性、片上衍射结构可重构性有限、非线性激活函数实现困难,以及与光电封装、接口标准化和软硬件协同编译相关的系统级瓶颈18 的制约。自由空间架构更适合大规模并行波前处理和视觉前端计算,而片上集成架构则更适合紧凑型、稳定的、可封装的专用或通用光电计算芯片。

因此,结合自由空间高维并行处理与片上可编程计算的混合范式可能为互补性性能优化提供一条有前景的路线。

3.2 物理与计算协同

在计算光刻领域,半导体技术节点的持续微缩导致了仿真精度要求和优化算法复杂度的大幅增加,对计算资源提出了越来越高的压力。光子计算凭借其固有的高并行性、高能效和低延迟优势,在各种计算光刻任务中展现出相当大的潜力,包括光学成像仿真、梯度计算、掩模优化和模型参数校准。与基于GPU的加速类似,光子计算加速的核心思想是利用这些优势,将关键计算密集型内核卸载到光子硬件平台上。该方法可以显著提高计算效率并缩短工艺时间,为克服现有局限提供了一条有前景的路线。图8总结了光子计算用于计算光刻的理论框架。计算光刻的核心任务可分为三类典型的计算范畴:大规模运算、神经网络推理和高维非线性迭代优化。这三类任务与光子计算的主要研究方向高度契合。

图8. 光子计算用于计算光刻的加速架构。将光刻模块映射到共享的计算内核,并通过多样化的光子平台实现加速。光子计算已在超越传统神经网络推理的计算任务中展现出令人信服的性能,包括大规模卷积和矩阵运算,表明其具有加速计算光刻中相应仿真和优化阶段的潜力。虽然专门用于光刻的光子加速器尚待验证,但邻近高通量工作负载的近期进展在底层计算原语层面提供了具体的成功案例。例如,Luan等人最近报道了一种基于空-谱-时超复用和并行衍射光束路由的单次矩阵-矩阵光子处理器。该光学张量处理器实现了16×16对16×16的矩阵-矩阵乘法,每次拍摄执行4096次乘累加运算,采样率为2 GSa/s,同时保持了8位以上的计算精度。同一平台还通过将多个卷积核和输入图像光学映射到波长和空间通道,实现了并行卷积。尽管该演示并非专为计算光刻设计,但在算法原语层面高度相关,因为 aerial-image 仿真、基于模型的工艺校正、OPC/ILT和光源-掩模优化都反复依赖卷积传播、频域滤波、矩阵运算和大规模并行数据搬运。通过使用光作为计算介质,光子计算的优势理论上预期随着计算规模的增加而日益显著,这与计算光刻中全芯片优化对海量数据处理的需求高度契合。利用傅里叶光学原理,光子计算天然适合执行卷积和微分运算。向量和矩阵运算作为众多信号处理和人工智能算法的基础,已在各种光子架构中得到验证。值得注意的是,多样化的光子处理器已在矩阵运算、卷积、傅里叶变换和微分方程等计算原语中展现出卓越性能,有效充当电子计算机的专用硬件加速器。事实上,专用的光子硬件平台已在数据中心以中等规模部署,用于计算密集型机器学习工作负载和求解大规模优化问题等任务。相关研究表明,在专用加速器领域,与传统的电子加速器相比,光子器件在吞吐量和能效方面具有显著优势。光子计算已从实验室研究走向工程应用奠定了坚实的基础。因此,将计算光刻的关键工作负载卸载到光子计算平台不仅理论上很有说服力,从工程角度来看也越来越可行。此外,光神经网络将光子计算与神经网络模型相结合,已成为光子计算领域的重要发展方向,为计算光刻中的神经网络推理任务提供了新的实现途径。其根本优势源于光学操作的固有并行性,线性计算可以以光速通过各种光子架构(包括MZI网、微环权重库和D2NN)传播的速度来执行。光神经网络有望实现更高的计算速度、更大的集成密度、更大的带宽和更低的功耗,潜在地实现大规模神经网络的实时推理。一个代表性实例是PhotoGAN,一种专为生成对抗网络设计的硅光子加速器。尽管PhotoGAN并非为计算光刻开发,但它提供了一个相关的邻近演示,因为基于GAN的以及图像到图像的神经网络已在光刻相关的逆向设计、掩模合成和代理建模工作流中被广泛探索。在代表性GAN模型上的实验评估表明,PhotoGAN实现了比最先进的电子和新兴加速器至少4.4倍的吞吐量和2.18倍的每比特能耗降低。更重要的是,该结果的启示不仅限于GAN。计算光刻中使用的许多神经网络模型主要由矩阵-向量乘法、卷积、归一化和非线性激活主导,这些也正是光神经网络加速器所针对的核心运算。因此,PhotoGAN提供了一个具体的成功案例,支持了将基于神经网络的计算光刻模块映射到光子硬件上进行高通量、高能效推理加速的更广泛可行性。光神经网络发展中的一个关键挑战在于如何在光域中实现非线性运算。近期进展通过多种方法解决了这一挑战。相变材料可以同时实现非线性激活函数和非易失性存储,提供强烈的光学对比度。或者,结构非线性利用散射势与散射场之间的非线性关系,通过多个衍射层的数据重复,仅使用低功率连续波光即可实现可编程的线性和非线性变换。该方法生成高阶多项式非线性,包括不同输入元素之间的交叉项,而无需电子元件或高强度脉冲激光器。近期光神经网络研究已实现若干重要里程碑,包括原位训练和单芯片上百万级神经元的集成。大规模事件驱动架构进一步展示了突触和结构可塑性,无需修改底层光子电路即可实现自适应网络重构。此类系统已在单芯片上实现了超过8000个功能神经元,制造良率超过70%,展示了部署的可扩展潜力。利用轨道角动量模式的空间-时间复用技术进一步将操作速度推向GHz级别,解复用性能仅受限于光电探测器带宽而非光学处理约束。光神经网络在复杂大规模任务上已实现接近电子实现的推理性能,能够执行从简单图像识别到大规模模型推理和内容生成的高维任务。值得注意的是,光神经网络的规模化研究揭示了模型规模与性能之间的幂律关系,类似于数字深度神经网络中观察到的现象,跨越多层和数百万参数。光神经网络已从概念验证进展到能够处理复杂现实任务的工程阶段,为计算光刻中的神经网络推理和加速提供了潜在的技术支持,并有可能突破传统能效和速度的限制。光电混合计算架构代表了光子计算近期高度有前景的发展途径,为计算光刻提供了一个可扩展和可升级的平台。光电混合计算指的是光子处理器执行高吞吐量线性运算,电子处理器处理非线性函数、逻辑控制和数据存储的协同设计范式。图9展示了光电混合架构。在该架构中,光子器件承担高吞吐量线性运算和成像仿真,如FFT、大规模卷积和光刻成像模型的快速求解,而电子元件负责精确控制、非线性激活函数的实现以及迭代优化过程中的决策和收敛评估。这种协作模式利用了光子计算在处理海量数据时的速度和能效优势,同时确保系统的灵活性和计算精度。目前,光电混合器件的功能已在众多研究中得到验证。Lightelligence报道了一种大规模集成光子算术计算引擎,在单芯片上集成了超过16000个光子器件,实现了8.19 TOPS的系统吞吐量和4.21 TOPS/W的能效。Lightmatter推出了一种通用光子人工智能加速器,在整体系统架构中集成了约25亿个晶体管,其吞吐量达到每秒65.5万亿次运算,性能水平接近最先进的电子计算芯片。随着硅光子集成和光电混合封装技术的不断成熟,专为计算光刻设计的应用专用混合加速器可能成为现实,支持先进工艺节点的全芯片光刻优化。

图9. 光电混合架构示意图。上半部分展示了负责系统控制、数据存储和逻辑管理的电子子系统。中间部分展示了一个通用的光电混合计算流水线,其中数字输入通过电光调制转换为光信号,由光子计算核心进行高速线性运算,随后通过光电检测和模数转换重新转换回电信号。非线性函数和控制操作由电子元件实现。下半部分总结了实现电子和光子模块间数据交换的互连基础设施,包括高速电I/O、基于TSV/CPO的电-光共封装以及光接口。(a)CPU/处理器。(b)存储器。(c)逻辑电路。(d)集成光子与电子神经网络处理的基于光纤的光电混合计算系统示意图。(e)用于光学信息处理和分类的全模拟电光计算芯片架构。图(d)引自文献130,Springer Nature;图(e)引自文献131,Springer Nature。

3.3 将计算光刻内核映射到光子硬件

将光子计算应用于计算光刻的核心依据是识别计算光刻工作流中计算需求最高的模块,并引入光子计算单元,其物理操作与这些模块的数学内核天然匹配。典型的计算光刻流水线可以抽象为掩模图案输入、aerial image计算、光刻胶曝光与显影建模、误差评估和迭代优化更新。这些阶段涉及大规模傅里叶变换、二维卷积、非线性偏微分方程求解、矩阵-向量乘法、梯度计算和高维组合优化。从模块角度来看,光刻aerial image建模、光刻胶建模、ILT优化和深度学习辅助模型都是光子加速的潜在切入点。图10从模块层面展示了光子计算如何被设想和分析以加速计算光刻。表2总结了代表性计算光刻任务与其主导计算内核、精度要求、光子实现适配度和关键实际瓶颈之间的对应关系,从而提供了光子计算最有可能为计算光刻加速做出贡献的模块层面视角。当前的模拟光子计算核心通常仍受限于约4-8位有效位精度,因为光学噪声、器件非理想性、漂移、串扰以及DAC/ADC接口的有限有效位数。计算光刻中精度敏感的步骤通常需要FP32-FP64数字电子计算或电子累加和校正,例如非线性抗蚀剂或刻蚀模型评估、迭代ILT/OPC更新控制、模型校准、误差累加监控和最终签核验证。总体而言,光子计算特别适合于高并行度、以线性变换为主、反复调用且对模拟计算误差具有一定容错性的任务。对于具有强非线性、严格数值精度要求或严重数据搬运瓶颈的模块,更现实的路线是光电混合架构,其中光子处理器作为专用协处理器,用于电子工作流中选择的计算内核。

图10. 光子计算用于加速计算光刻关键计算模块的示意图。对于每个模块,左侧展示了数学计算类型及其对应的关键计算光刻模块,右侧提供了匹配的光子加速解决方案。(a)4f光学系统示意图。(b)通过逆向设计开发的光学成像和处理器件。(c)用于求解PDE的光子求解器装置。(d)空间全光学变系数一阶常微分方程求解器架构。(e)集成并行光子处理单元的概念图,包含MRRs。(f)使用MZI实现复数权重乘法的光子芯片。(g)片上衍射光神经网络(DONN)的示意图和逻辑图。(h)一种四自旋耦合光学伊辛机。图(b)引自文献135,American Chemical Society;图(c)引自文献136,SPIE and Chinese Laser Press;图(d)引自文献137,PRISMALIGHT TECHNOLOGY Limited Liability Partnership;图(e)引自文献138,Springer Nature;图(f)引自文献139,Springer Nature;图(g)引自文献140,Springer Nature;图(h)引自文献141,Springer Nature。

表2.

# 代表性计算光刻任务与光子计算实现前景的算子级映射

| 代表性任务/模块 | 分解的主要算子 | 精度层级与光子/电子分工 | 适合光子计算的部分 | 主要瓶颈 |
|---|---|---|---|---|
| Hopkins/SOCS 空中图像仿真 | FFT/IFFT、二维卷积、频域滤波、SOCS 分解 | 光子:约 4–8 有效位 / INT8 级筛查;电子:FP32–FP64 签核 | 光学傅里叶变换;固定/批量滤波;卷积 | 有限模拟精度;光-电-光转换;物理校正精度 |
| ILT 梯度计算 | MVM/GEMM、卷积、伴随传播、链式法则微分 | 光子/混合:INT8–FP16 粗迭代;电子:FP32–FP64 稳定更新与最终校验 | 批量线性传播;伴随卷积;MVM/GEMM | 迭代误差累积;非线性约束;内存流量 |
| 紧凑光刻胶或工艺建模 | 类扩散卷积、模板运算、回归、非线性动力学、时间步进 | 光子/混合:INT8–FP16 线性代理;电子:FP32–FP64 非线性/参考模型 | 线性扩散/卷积模块;参数扫描代理推理 | 强非线性;稳定性要求;有限可编程性 |
| 紧凑刻蚀偏置或 EPC 建模 | 高斯/邻近卷积、邻域统计、低阶回归 | 光子/混合:INT8–FP16 特征提取/推理;电子:FP32–FP64 拟合与验证 | 邻近滤波;模板特征提取;紧凑代理推理 | 版图依赖核函数;全芯片数据搬运;泛化能力 |
| 光刻流程的 AI 代理推理 | GEMM、卷积、张量运算、归一化/激活 | 光子核心:约 4–8 有效位 / INT8 级线性推理;混合:INT8–FP16/BF16;电子:FP16–FP32 训练与 FP32–FP64 验证 | 光学 MVM;卷积;张量推理;候选排序 | 非线性层;权重漂移;转换开销;高精度验证 |

在大气光建模中,Abbe 和 Hopkins 模型都可以归结为涉及掩膜频谱、瞳函数和光源相干模式的频域运算。在实际计算中,全芯片掩膜版图必须被分解为大量局部窗口,在这些窗口内反复执行二维快速傅里叶变换、卷积和空间频率滤波运算。这些运算具有高度规则的线性结构和可观的数据并行度,使它们成为光子计算最直接且物理兼容性最好的用例之一。光学透镜的自由空间传播自然实现了傅里叶变换。在 4f 光学系统中,掩膜图案的空间频谱可在傅里叶平面由瞳函数或可编程滤波器调制,随后变换回空间域以恢复大气光强度分布。因此,电子计算中需要大量 FFT 调用的成像核函数,在理想光学系统中可通过一次或几次光学传播步骤执行。此外,通过逆设计光学处理器来工程化光学传递函数,可以将衍射建模和滤波等操作直接编码到光学器件中,从而实现大气光计算专用的模拟加速 [135]。

实际计算光刻必须考虑部分相干、偏振效应、高 NA 成像、M3D 效应和光学邻近效应,所有这些要求在保证高速的同时还需要高精度。更具可行性的路线是混合光电成像-计算框架。电子处理器处理版图分解、边界处理、模型参数更新和误差校正,而光学子系统执行最耗时的线性运算,如傅里叶变换、卷积和频域滤波。这种方法在利用光传播内在并行性和低延迟的同时,保留现有工作流的控制能力。

光刻胶曝光与显影建模构成另一个重要但更具挑战性的计算模块。Dill-ABC 模型描述了光强分布、光酸生成、吸收变化和后续反应-扩散过程之间的耦合关系。光刻胶建模通常涉及强非线性反应动力学、扩散过程和经验参数拟合,难以将整个模型映射到单一光学线性运算上。新兴的光子微分方程求解器、微梳驱动光子计算芯片 [136] 和光子神经网络代理模型为此类问题提供了可能的加速路径。一种可行策略是将光刻胶建模中的线性扩散项、局部卷积核或参数扫描运算卸载到光子计算单元,同时将非线性反应项、阈值操作和显影规则保留在电子处理器中。另一种策略是使用光子神经网络学习从大气光图像到潜像或显影后胶轮廓的非线性映射,从而替代部分高成本物理仿真。特别是,光子神经网络在光刻胶建模中的潜在应用值得特别关注。

尽管尚未有用于计算光刻的光子计算硬件的直接演示报道,但光子神经加速器的近期进展在计算基元层面提供了相关证据。例如,最近提出的光子 Kolmogorov–Arnold 网络在光子边上实现了可学习的非线性传递函数,相比传统的 MZI 型光子神经网络,具有更少的参数量、更低的延迟和更好的面积-能效比 [142]。这些结果与光刻胶建模尤为相关,因为胶曝光和显影仿真同样需要反复评估非线性映射、多尺度空间响应和图像到状态的变换。此类光子神经架构表明了一条加速代理模型的可行路径,即从大气光图像映射到潜像、光酸分布或显影后胶轮廓的代理模型。

ILT 和 OPC 等分辨率增强技术代表计算光刻中最核心且计算量最大的优化阶段。其过程需要反复调用大气光仿真、误差评估和基于梯度的掩膜更新,历经多次迭代。光子计算可在两个层面加速此类优化任务。首先,MZI 网格和 MRR 阵列等片上集成架构可以高效执行矩阵-向量乘法和线性变换,使其适用于加速梯度评估等过程 [103,117]。其次,对于二值或多级优化,光学 Ising 机可作为启发式优化协处理器,补充传统电子优化器。光子 Ising 计算的近期进展已经验证了与之密切相关的计算范式在其他大规模优化任务中的有效性。例如,一个具有数千个自旋和任意耦合的可编程光电 Ising 机已被实验用于求解基准 MAX-CUT 问题和真实的交通优化问题 [143]。这些结果表明,当实际优化任务可以重构为具有二值变量和可编程相互作用的 Ising 哈密顿量时,光子 Ising 硬件可以提供有效的物理求解器。由于掩膜合成、OPC 和 ILT 也涉及高维、受约束且通常是二值或多级的设计空间搜索,这些演示支持了使用光学 Ising 机作为未来光刻优化工作流启发式协处理器的可行性。在此范式下,掩膜图案优化和相关 RET 问题可以编码为自旋构型和相互作用哈密顿量。通过利用光子 Ising 系统的内在并行性和快速收敛动力学,可以高效获得近全局最优解,为进一步降低大规模光刻优化任务的计算复杂度并提高解的质量提供了潜在途径。

随着深度学习在计算光刻中日益普及,神经网络推理加速对于提升整体工作流效率也变得越来越关键。代表性应用包括光刻热点检测、快速大气光建模、光刻胶代理建模以及 ILT 掩膜校正预测和初始化。这些模型的核心运算是多层神经网络中的线性变换、卷积和非线性激活,矩阵乘法和卷积占据了主导计算成本。之前的研究表明,光子神经网络可以在光域中以高带宽和低能耗执行大规模乘累加运算 [144,145]。在实际部署中,光电混合神经网络架构仍然更具现实性。当光子器件执行高维线性运算时,电子电路提供非线性激活、归一化、权重更新和精确控制。例如,一种基于 AWGR 的混合光电卷积架构已被用于加速 ResNet-50 的第一层卷积 [146],其中卷积通过波长路由映射到光域,而其余网络运算保留在电子域中。这个例子与 AI 辅助计算光刻尤其相关,因为热点检测、大气光代理建模、光刻胶建模和 ILT 初始化依赖于相同的主导运算,而非光刻特有的算术基元。光电混合架构与计算光刻中大规模图案识别、局部热点筛查和快速模型评估的需求高度契合,可以为 AI 辅助计算光刻提供硬件级加速。

全芯片计算光刻现已被认为是一个优先研究领域。需要强调的是,全芯片计算光刻的系统级瓶颈不仅来自单个核函数的浮点运算量,还来自工艺窗口条件下大规模版图数据的存储、传输、平铺、拼接和反复仿真。工作流往往变成强内存受限,意味着数据搬运和内存访问可能主导算术计算本身。光子计算可以通过超越单器件加速走向系统级协同设计,在全芯片计算光刻中变得实用。这包括使用光学傅里叶处理器处理频繁调用的成像核函数,使用光子矩阵计算单元处理批量梯度评估或神经网络推理,使用电子处理器处理逻辑控制、非线性更新和误差校正,以及使用高带宽光电接口来降低数据转换开销。相邻数据密集型工作负载中的系统级光子加速器提供了有用的证据。一个代表性例子是 SIPHON [132],一种硅光子芯粒加速器,协同设计了光子计算单元、波分复用芯粒互连、电子处理器以及前向和反向传播的数据流。通过利用广播、组播和单播光通信,它提高了数据复用并降低了光电转换开销,在深度学习工作负载中相比 GPU 基线实现了高达 11.5 倍的训练加速和 55.4 倍的能效提升。这个例子与全芯片计算光刻相关,因为关键挑战同样不仅在于孤立线性算子的加速,还在于多个仿真和优化步骤之间大规模数据块的反复搬运、复用和同步。

需要注意的是,精度感知的分工对于评估光子计算在计算光刻中的实际作用至关重要。光刻流程的不同阶段施加了非常不同的数值要求。粗版图筛查、候选热点排序、近似大气光或线性核评估、紧凑邻近特征提取和神经网络推理等任务可以容忍有界的模拟误差,特别是当光子输出用作中间估计而非最终制造决策时。这些任务是光子加速的天然切入点,前提是存在校准、数字校正、置信度过滤或下游电子细化。相比之下,最终 OPC/ILT 结果验证、CD 和 EPE 签核、工艺窗口预测、随机 EUV 失效分析和热点验证需要更严格的数值控制、校准的物理模型和统计可靠性。对于这些阶段,高精度数字计算仍然是不可或缺的。

总之,计算光刻的加速需求与光子计算的物理优势之间存在明确的模块级对应关系。光子计算在计算光刻中的最优角色并非完全替代 GPU 或 CPU,而是作为现有计算光刻软硬件生态系统中高度可复用计算核函数的异构加速层。如果未来在数值精度、器件可编程性、数据接口、误差校准和 EDA 工作流集成方面取得进展,光子计算可能成为下一代高通量和能效计算光刻平台的重要硬件基础。值得注意的是,全光计算本身也具有同时实现高效矩阵乘法和非线性激活函数的潜力,未来可能成为该领域的重要技术基础。

## 4 迈向实用光子计算光刻的挑战

光子计算赋能计算光刻的愿景在理论上是引人入胜的。然而,其实用部署仍受到当前技术成熟度的制约。尽管在可重构 [99,144,147] 和非线性光子学 [148] 等先进领域取得了显著研究进展,光子计算仍然存在尚未解决的内在瓶颈。光子计算与计算光刻的深度融合仍然面临一系列在理论、器件级和系统级尺度上的挑战。这些挑战不仅源于光子计算本身的固有局限,还源于计算光刻严格且具有应用特性的要求。

### 4.1 当前挑战与问题

光学硬件架构的集成密度和可扩展性严重制约了可实现的计算规模。在片上集成光子计算中,虽然 MRR 阵列提供了更高的集成密度,但它们对温度漂移和制造过程变化极为敏感 [149]。高密度波分复用可以显著压缩权重映射的有效范围,从而限制精度的进一步提升。典型的 MZI 单元尺寸达到数百微米,导致基于 MZI 网格的相干光子计算架构占用大面积。构建 16×16 规模的级联拓扑阵列可以占据超过 50 mm2 的芯片面积 [18],使其难以支持全芯片级优化所需的超大规模矩阵运算。

除了占地面积限制外,片上 MZI 网格还受到相位漂移和相位设置误差引起的精度下降的影响。MZI 网格中的可编程权重由热光或电光移相器编码,其偏置点可能会受到制造引起的偏移、电气和热串扰、环境温度波动以及器件老化的扰动。在密集的热光实现中,热串扰可能会引入数十毫弧度级别的相位误差,使得这种漂移对于级联矩阵运算而言变得不可忽视。因此,大规模 MZI 网格计算必须在可重构性与占地面积、功耗以及长期相位稳定性之间取得平衡,这仍然是高精度全芯片计算光刻的关键障碍。尽管片上衍射光学架构能够实现无源、低功耗的静态线性变换,但其较差的可重构性意味着一旦制造完成,其功能便固定不变,阻碍了其对不同工艺节点多样化的掩膜优化需求的适应性。对于自由空间光子计算,系统往往面临物理占地面积大、光学对准复杂、对环境扰动敏感以及与电子系统紧密集成困难等问题。这些局限性直接阻碍了光子计算在计算光刻中的部署,因为大规模矩阵运算和全芯片优化需要同时具备高集成密度和灵活的可重构性,以适应多样化的掩膜图案和工艺条件。缺乏高效的光学非线性激活函数限制了全光学计算架构的表示能力。全光学计算指的是完全在光学域内进行的端到端计算,线性或非线性运算均无需电子干预。这一局限性在计算光刻中尤为关键,其中许多优化任务(如 ILT)涉及强非线性过程,需要高表达能力和迭代收敛。计算光刻包含许多强非线性问题,其优化过程通常依赖于非线性激活函数来增强模型表达力。然而,现有的集成光子平台缺乏高效、可重构的全光学非线性单元。这种缺失迫使当前的光子计算系统依赖光电混合架构来执行计算光刻所需的端到端迭代优化,从而削弱了光子计算的能效优势,并显著增加了系统延迟和功耗。基于固有材料非线性的全光学方案理论上可以规避电光转换损耗,但受到复杂的异质集成工艺、长期环境稳定性问题以及与标准 CMOS 制造流程兼容性问题的限制。计算精度和系统鲁棒性难以满足半导体制造所需的严格公差要求。这种精度要求与光刻特有的约束紧密相关,使得计算精度成为实际部署的关键瓶颈。计算光刻中掩膜图案校正所需的精度达到亚纳米级别。然而,模拟光子计算本质上涉及连续信号处理,其精度根本受到数模和模数转换器(DACs/ADCs)的有效位数(ENOB)、光电器件的线性度以及系统噪声基底的限制。这对器件制造一致性和驱动电路的稳定性提出了极其严苛的要求。更关键的是,光子芯片制造过程中的纳米级工艺变化可能会导致集成光学元件的相位不匹配,从而在实际实现的传输矩阵与预期设计之间产生系统性偏差。这种制造误差难以通过制造后校准完全消除,并且随着阵列规模的增加而累积,最终导致偏离物理可制造解。精度问题也应在工作流级别而不仅仅是器件级别上进行解读。与仅执行一次计算的人工智能推理不同,基于物理的 ILT 会根据模拟结果反复更新掩膜图案。因此,光子硬件引入的数值误差可能会通过 successive 迭代传播,特别是在优化需要数百次梯度评估时,例如全芯片 ILT。在迭代式 OPC 或 ILT 循环中,由散粒噪声、探测器噪声、有限的 ADC/DAC 分辨率、调制器非线性、相位漂移和校准残差引入的模拟误差可能会从光学核输出传播到焦平面图像估计、抗蚀剂轮廓预测、边缘放置误差(EPE)计算、梯度更新以及后续的掩膜修改。这种误差传播对于先进节点光刻尤为 problematic,因为平均数值精度不足,且最坏情况位置可能主导制造良率。因此,光子加速应伴随着误差感知校准、置信度估计和电子回退机制。预测敏感性较低的区域或迭代可以使用近似光子核进行处理,而关键边缘、低工艺窗口裕量和疑似热点应使用高精度电子模拟进行细化和验证。光电转换开销也是使用光子计算加速计算光刻的一个重要挑战。从近期视角来看,光电混合架构代表最可行的途径,因为它们可以利用光子器件在大规模线性运算方面的优势,同时依赖电子组件进行非线性处理、逻辑控制、模型更新和数值校正。然而,孤立的光学傅里叶变换、卷积或矩阵运算的加速并不自动转化为 OPC 或 ILT 工作流的端到端加速。在实际的计算光刻中,类 FFT 运算嵌入在涉及布局解析、多边形到栅格转换、瓦片调度、晕区管理、复数值场表示、内存访问、非线性抗蚀剂或刻蚀响应评估、误差图计算、梯度更新和收敛控制的大规模迭代循环中。因此,光子计算光刻的实际加速比由光学计算延迟、电子内存带宽、接口吞吐量以及电子域与光子域之间数据编排的效率共同决定。在光子处理器能够执行频域计算之前,存储在电子系统中的大规模布局数据必须被加载、重塑,并通过数模转换、空间或时间调制以及光学对准编码为光场。空间光调制器的有限像素间距、电光调制器的有限带宽和分辨率、光学系统的孔径以及探测器的采样密度都可能影响光学计算的保真度。光传播后,输出必须通过光电检测和模数转换转换回电域,随后进行归一化、校准、边界校正,以及当需要复数值信息时进行相位或复场重构。这些步骤引入了额外的延迟、能耗和数值不确定性。最近的光电混合光子计算研究也表明,光电转换、ADC/DAC 分辨率、数据移动和数字后处理往往是整体系统成本的关键组成部分,而非可忽略的外围操作。除了浮点舍入和离散化误差外,光学计算子系统还可能遭受散粒噪声、相对强度噪声、探测器噪声、有限的 ADC 有效位数、调制器非线性、光学像差、相位漂移、热不稳定性以及校准残差的影响。在迭代式 OPC/ILT 优化中,这些误差并非孤立存在。它们可能会传播到焦平面图像估计、抗蚀剂阈值评估、边缘放置误差计算、梯度更新以及后续的掩膜校正中。最近关于光子矩阵和张量处理器的实验结果为评估与 OPC/ILT 相关的计算原语级别上的此风险提供了有用的定量界限。在一个可重构光子张量处理器中,报告的单次低延迟模式下的归一化矩阵 - 向量乘法误差为 19.4±0.5%,四倍平均后为 10.9±0.3%,进一步平均后接近约 3% 的系统噪声基底。尽管这些结果是针对神经网络推理而非光刻模拟获得的,但其底层运算类别——模拟线性矩阵/张量计算后接电子读出——与计算光刻中反复调用的频域滤波、卷积传播和瓦片线性核评估密切相关。更重要的是,当大规模运算分解为瓦片子运算时,非相关随机误差可能在相对幅度上保持有界,而相关系统误差可能会随着瓦片数量的增加而增长并成为主导。这一观察对于全芯片 OPC/ILT 特别相关,其中焦平面图像计算、EPE 评估和基于梯度的掩膜更新在许多局部窗口和工艺窗口样本上重复执行。因此,对于光子计算光刻,数值精度不仅应在器件输出级别进行评估,还应在光刻输出级别进行评估,包括其对焦平面图像强度、CD 误差、EPE 预测、热点检测和收敛稳定性的影响。如果每次迭代都需要对大规模瓦片布局数据进行重复的电子 - 光 - 电子转换,相关的延迟、功耗、采样误差和重构误差可能会抵消光传播固有的速度和能效优势。为了进一步阐明为什么孤立的光学傅里叶变换的速度不能直接决定 ILT 的端到端运行时间,图 11 提供了两个说明性的归一化分解。从算法视角来看,一次 ILT 迭代包括布局准备、焦平面图像模拟、抗蚀剂/刻蚀/工艺模型模拟、误差评估、梯度计算、掩膜更新和收敛检查,因此傅里叶变换或卷积核仅代表工作流的一部分。从光电实现视角来看,额外延迟可能源于数据加载和重塑、E/O 调制、O/E 读出、ADC 采样、重构、校准、误差校正、同步以及电子回退。因此,实际加速应评估于完整工作流级别,而非孤立的光学核级别。为了使系统级影响更加明确,表 3 总结了可能稀释孤立的光学傅里叶变换或卷积核所获得加速比的主要工作流阶段。该表还列出了它们对端到端 OPC/ILT 加速的定性影响以及可能的缓解策略。

表 3. 影响 OPC/ILT 端到端光子加速的工作流级别因素。
| 阶段 | 描述 | 影响 | 缓解措施 |
| :--- | :--- | :--- | :--- |
| 数据传输 | 布局加载、瓦片化和流式传输 | 高 | 压缩、光 I/O、WDM、CPO、芯粒互连 |
| 数据重塑 | 栅格化、瓦片化、填充 | 中 - 高 | 瓦片级流式传输、可重用缓冲区 |
| E/O 调制 | DAC 和光场编码 | 高 | 高速调制器、复用、批处理 |
| 光学核 | FFT、卷积、滤波 | 低 - 中 | 可重用线性核、传输函数重用 |
| O/E 读出 | 检测、ADC、采样、重构 | 中 - 高 | 并行 ADC、校准、任务感知采样 |
| 重构 | 归一化、校准、相位恢复 | 中 | 查找校正、参考图案校准 |
| 边界处理 | 晕区交换和拼接 | 中 - 高 | 晕区感知缓冲、重叠校正 |
| 迭代与误差 | 边界处理、非线性更新、误差累积 | 高 | 电子控制、回退、不确定性估计、最终签核 |

图 12 说明了光子计算面临的当前挑战。
图 12. 光子计算与计算光刻集成的核心挑战。(a) 基于 MRR 的片上光子系统示意图,展示了波分复用和光信号路由。(b) 使用干涉和衍射单元进行光信号调制和计算的片上光学计算架构。(c) 包含激光源、透镜和多层衍射神经网络的自由空间光学计算系统,用于光学推理。(d) 光子计算中线形光学运算与非线性函数之间的关系,突出了缺乏高效的光学非线性激活。(e) 光电混合计算架构,引入电子组件以启用非线性运算和系统控制。(f) 重复的大规模数据转换会导致巨大的能耗和延迟。(g) 掩膜校正精度面临的挑战,对比目标图案与校正结果。(h) 模拟光信号的误差来源。(i) 光子计算系统中的误差累积,误差随计算深度增加而增长。图片引用自:(a) 参考文献 158,Springer Nature;(b) 参考文献 100,Springer Nature;(c) 参考文献 95,John Wiley and Sons。

图 11. ILT 迭代时间和光电系统延迟的说明性分解。两个面板中的百分比是说明性的,而非特定商业 ILT 引擎的测量值,用于可视化为什么从单个光学傅里叶变换或卷积核获得的加速比可能会在端到端工作流级别被稀释。确切比例取决于布局大小、瓦片策略、工艺窗口采样、光学调制带宽、探测器分辨率、内存层次结构、校准方法、非线性模型复杂度和电子回退策略。(a) 从算法工作流视角看,一次代表性 ILT 迭代的示意图归一化时间分解。光刻模拟组件包括基于 FFT/卷积/傅里叶滤波的焦平面图像模拟和非线性抗蚀剂/刻蚀/工艺模型模拟。(b) 代表性光电 ILT 实现的示意图归一化延迟分解。

4.2 未来研究方向

尽管光子计算为加速计算光刻提供了一条有前途的途径,但其未来发展不应仅由光子硬件的通用进步驱动,还应由光刻特定的计算和制造需求驱动。因此,未来的研究应侧重于面向光刻的光子计算架构、算法和验证方法。

1) 面向光刻的光子加速器设计。未来的光子硬件应优化用于计算光刻中的主导核,而不仅仅是通用光学计算。特别是,焦平面图像模拟、Hopkins 和 Abbe 成像模型、光源 - 掩膜优化以及全芯片 ILT 反复调用傅里叶变换、卷积、矩阵 - 向量乘法和空间频率滤波。这些运算为光子加速提供了自然的入口。

因此,未来的光子处理器应作为面向光刻成像核的领域专用协处理器进行设计,具备可编程传输函数、光刻感知的空间带宽,以及足够的数值精度,以支持边缘放置误差控制和工艺窗口评估。对于极紫外和高数值孔径光刻,硬件设计还应进一步考虑表征偏振效应、掩模三维效应以及强烈影响图形保真度的高空间频率成分的需求。

2)面向全芯片光刻流程的系统级光电架构。在实际的计算光刻中,主要瓶颈不仅限于单一卷积或傅里叶变换的速度,还包括版图解析、栅格化、瓦片调度、边缘交换、拼接、工艺窗口采样以及重复模型评估等环节。因此,未来的光电系统应与全芯片OPC和ILT流程进行协同设计。一个可行的方向是:利用电子处理器处理版图数据库管理、非线性优化、收敛控制及可制造性检查,而由光子处理器加速反复调用的线性成像和梯度评估核函数。为避免过度的电-光-电转换开销,应开发光刻专用的数据流策略,如瓦片级流式传输、边缘感知缓冲、跨工艺窗口样本的核函数复用,以及异步光电流水线。未来的基准测试不仅应报告孤立光学傅里叶变换的延迟,还应包括版图加载、栅格化、瓦片划分、电光转换、光电读出、数字重构、校准、非线性模型评估及迭代收敛在内的完整端到端时间和能耗。

3)精度分层的任务划分与验证。计算光刻对精度的要求远高于许多通用光学计算任务,因为掩模优化最终必须满足严格的关键尺寸、边缘放置误差、工艺窗口和热点检测约束。因此,未来的研究应超越对数值精度的一般性讨论,建立光子计算与电子计算之间的精度分层分工。诸如粗略版图筛选、候选热点排序、图形相似性搜索、紧凑邻近特征提取、早期阶段ILT初始化以及AI代理推理等任务,在光子输出仅作为中间估计而非最终制造决策的前提下,可以容忍一定的模拟误差。这些任务适合作为光子加速的切入点。相反,最终OPC和ILT验证、关键尺寸和边缘放置误差签核、工艺窗口预测、随机极紫外失效分析、严格的抗蚀剂或刻蚀建模,以及最终热点验证则需要高精度电子计算。在这些阶段,即使是微小的局部误差也可能导致不正确的边缘放置预测或漏检热点,这对于先进节点制造是不可接受的。因此,光子处理器在近期内不应被定位为电子光刻引擎的独立替代品。更现实的路径是粗到细的光电工作流:光子处理器首先加速可复用的线性核函数和以推理为主的模块,而电子处理器随后执行非线性精化、严格模型评估、可制造性检查、不确定性估计及最终签核验证。未来的光刻导向光子基准测试还应在任务输出层面而非仅在器件输出层面评估精度。低敏感度区域或早期优化迭代可使用近似光子核函数处理,而关键边缘、低裕度工艺窗口区域以及疑似热点应自动路由至高精度电子仿真。

4)光刻感知的算法-硬件协同设计。未来的算法应重新设计以充分利用光子计算的优势并容忍其局限性。例如,计算光刻算法可以被重构以暴露可复用的线性算子、批处理傅里叶域计算以及适合光学实现的结构化卷积核。与此同时,非线性抗蚀剂建模、随机极紫外效应、掩模可制造性约束以及离散掩模更新可能仍保留在电子域。这种分工暗示了一种混合算法框架,其中光子硬件加速线性和高度并行的子问题,而电子处理器处理非线性、离散和基于规则的部分。这种光刻感知的协同设计对于全芯片ILT尤为重要,其中重复的正向仿真和梯度计算主导了运行时间。

5)与EDA及制造验证流程的集成。光子计算对计算光刻的实际价值最终必须在现实的半导体制造流程中得到验证。未来的研究应超越对孤立数学运算的概念验证加速,在完整的OPC、SMO和ILT流程中评估光子加速。这需要与版图格式、掩模规则检查、划分和拼接策略、工艺窗口验证、热点检测以及现有EDA工具链的兼容性。基准测试应使用通用的光刻指标比较光子、GPU、AI和混合光电方案,包括运行时间、能耗、边缘放置误差精度、工艺窗口鲁棒性、掩模复杂度、收敛稳定性以及可制造性。从版图输入到仿真晶圆轮廓,最终到实验图形化数据的闭环验证将是必要的,以评估光子计算是否能为先进节点光刻提供实际利益。

结论

计算光刻已成为一种基础性技术,随着半导体制造向全芯片ILT、曲线掩模优化和高数值孔径极紫外光刻发展,它对于维持图形保真度、工艺鲁棒性和制造良率至关重要。它涵盖了OPC、SMO、ILT和AI辅助优化,所有这些方面都提出了日益增长的计算需求。现有的基于GPU和AI的加速策略,尽管已显示出有效性,却面临着无法仅通过扩展计算资源来解决的根本局限。GPU加速平台仍受限于冯·诺依曼计算范式:存储与处理单元的物理分离造成了固有的存储墙和功耗墙瓶颈,随着版图规模和模型复杂度的增长,数据移动日益主导计算成本。AI加速则受到跨多样化版图图形和工艺条件泛化能力有限(包括跨节点和跨照明条件迁移)、缺乏物理可解释性从而增加制造中可信部署的复杂性、对大规模高质量训练数据的严重依赖,以及不确定性量化和最坏情况可靠性评估方面尚存空白等限制,这些问题在当前基准测试实践中仍未得到解决。在此背景下,光子计算提供了一种有前景的异构计算范式。其根本优势在于,光刻中主导计算核函数与光子系统自然执行的物理操作之间存在数学同构关系。在可预见的将来,它不太可能直接替代成熟的电子平台,其实际价值更可能源于光电混合架构,其中光子处理器加速高度重复的线性操作,而电子处理器确保数值精度、非线性处理、逻辑控制、收敛评估以及与现有EDA和制造流程的兼容性。光子计算最有可能首先进入计算光刻领域,作为面向选定线性核函数的领域专用异构加速层。更广泛地说,数字光学、人工智能和跨尺度纳米制造的融合指向了光学智能体这一长期愿景,即完全自主的光子-电子计算系统。在光子计算能够部署于实际计算光刻流程之前,关键挑战依然存在,包括硬件的可扩展性、可重构性和集成密度,光学非线性,有限的模拟精度,以及光电转换开销。对于计算光刻,有意义的基准测试应包含端到端版图吞吐量、瓦片流式传输带宽、光电转换能耗、校准开销、相位漂移容差、边缘放置误差精度、工艺窗口预测、热点检测可靠性以及与现有OPC/ILT验证流程的兼容性。进步需要光子器件、集成技术和光刻感知的算法-硬件协同设计方面的突破。本文综述聚焦于光子计算与光学光刻的交叉领域,建立了光子计算硬件与计算光刻模块之间的映射模型。高性能非线性光子器件的制备、系统集成以及光电异构系统的标准化封装协议超出了本文范围,仍属于未来研究方向。随着可扩展硅光子学、可编程光学处理器、物理信息AI模型和闭环工业基准测试的持续推进,光子计算有潜力从一种新兴加速概念演变为下一代计算光刻的使能硬件基础,最终在后摩尔时代支持更快、更节能、物理精度更高的芯片制造。

致谢

作者曹子正感谢浙江大学-杭州全球科创中心、浙江大学-旭日智能计算联合研发中心和张江科学城建设管理办公室的支持。在研究进行和稿件准备期间,作者有限度地使用了生成式AI工具。具体用途如下:
1. 图表准备辅助:在创建图3和图4时,作者使用ChatGPT 5.4和Gemini 3.1 Pro生成草图视觉供参考,用于图表设计过程。这些AI工具未直接用于创建最终图表,其使用未影响本文的主要论点。
2. 文献综述辅助:在文献综述过程中,作者使用ChatGPT 5.4和DeepSeek-V3.2辅助文献检索和逻辑组织。这些AI工具仅用于文献编译和总结,未用于生成本文的主要论点。
3. 未来方向分析辅助:在本文的"未来研究方向"部分,作者使用ChatGPT 5.5辅助构思和概念扩展。该AI工具作为补充性构思来源用于发展讨论的某些方面。所有最终观点和论点均由作者独立审阅、修改和确认。
4. 翻译辅助:本文的部分内容经人工编辑和ChatGPT 5.5双重审阅。该AI工具仅用于翻译辅助,未影响本文的主要论点。

作者贡献

曹子正提出了构想并设计了综述框架。黄昱辰和王广标领导了稿件撰写和审阅工作,其中黄昱辰专注于光子计算领域,王广标负责贡献反向光刻技术相关内容。钟子林负责撰写AI加速和光子计算中非线性函数相关章节,并提供了大量反馈,参与修改了稿件。付亚利对稿件进行了批判性审阅和完善,在计算光刻建模完整性、光子计算架构实际工程考量以及综述内容的组织与呈现方面提供了宝贵建议。所有作者均参与了稿件的审阅和讨论。

利益冲突

作者声明不存在任何竞争性经济利益。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号