Bu icmal inkişaf etmiş yarımkeçirici istehsalında maskanı klassik şəkildə irəli istiqamətdə düzəltmək əvəzinə, hədəflənən çip naxışı üzərindən geriyə doğru hesablayaraq optimallaşdıran tərs litoqrafiya texnologiyasını (Inverse Lithography Technology, ILT) araşdırır. Tədqiqat ILT-nin riyazi əsasını, səviyyə-kümesi, piksel əsaslı, tezlik sahəli əyrisəl və maşın öyrənməsi dəstəkli dörd əsas tətbiq yanaşmasını, tarixi inkişafını, tam çip tətbiqlərini, EUV dövründəki rolunu və istehsal darboğazlarını sistemli şəkildə bir araya gətirir. Müəlliflərin əsas qiymətləndirməsinə görə ILT-nin klassik optik yaxınlıq düzəlişinə (OPC) nisbətən əsas üstünlüyü daha geniş maska həll fəzasında işləyə bilməsi, mürəkkəb optik təsirləri daha ətraflı nəzərə ala bilməsi və proses pəncərəsini genişləndirə bilməsidir. Bunun müqabilində hesablama müddəti, əyrisəl maskaların istehsal edilə bilməsi, litoqrafiya modelinin doğruluğu və sənaye məlumatlarına çıxış mühüm məhdudiyyətlər olaraq qalır.

Tədqiqatın ən mühüm mesajı ILT-nin artıq yalnız nəzəri maska optimallaşdırma metodu olmadığıdır. İcmalda verilən sənaye nümunələri ILT-nin hotspot düzəlişi, sub-resolution assist feature (SRAF) istehsalı, müəyyən tam çip tətbiqləri və EUV litoqrafiyası kimi sahələrə qədər irəlilədiyini göstərir. Bununla yanaşı, bu məqalə yeni təcrübə, yeni çip istehsalı və ya müstəqil performans doğrulaması təqdim etmir; mövcud akademik və sənaye tədqiqatlarının nəticələrini sintez edən icmaldır. Buna görə verilən performans artımları və istehsal nümunələri bu icmalın öz eksperimental tapıntıları kimi şərh edilməməlidir.

Türkiyə baxımından tədqiqat birbaşa yerli istehsal məlumatı təqdim etmir. ILT-nin Türkiyədə mümkün istifadəsi qiymətləndirilərkən mövcud litoqrafiya infrastrukturu, maska istehsal tutumu, EDA ekosistemi, hesablama infrastrukturu və əlçatan proses məlumatları ayrıca araşdırılmalıdır. İcmalda müxtəlif ölkələr və istehsalçılar üçün verilən sənaye vəziyyəti qiymətləndirmələri Türkiyəyə birbaşa köçürülə biləcək nəticələr deyil.

ILT niyə ortaya çıxdı?

Fotolitoqrafiya inteqral sxemlərdəki dizayn naxışının maskadan yarımkeçirici səthə köçürülməsini təmin edir. Lakin dizayndakı ən kiçik xətlər istifadə olunan işığın dalğa uzunluğuna yaxınlaşdıqca və ya ondan aşağı düşdükcə, difraksiya və interferensiya səbəbilə maskadakı geometriyanın wafer üzərində eyni formada yaranması getdikcə çətinləşir. Tədqiqat bu pozulmanı optik yaxınlıq təsiri (Optical Proximity Effect, OPE) kimi izah edir.

Ənənəvi optik yaxınlıq düzəlişində, yəni OPC-də, maskanın kənarları və ya xətt seqmentləri litoqrafiya modelinin proqnozlaşdırdığı xətanı azaltmaq üçün hərəkət etdirilir. Model əsaslı OPC-də əsas ölçütlərdən biri edge placement error (EPE), yəni hesablanmış wafer konturu ilə hədəf kontur arasındakı kənar mövqe xətasıdır.

ILT isə başlanğıc geometriyasının kənarlarını yalnız kiçik miqdarlarda hərəkət etdirməklə məhdudlaşmır. Maskanı piksel və ya davamlı əyrisəl optimallaşdırma sahəsi kimi götürə bilər. Beləliklə həll fəzası genişlənir və alqoritm hədəf wafer naxışını əldə etmək üçün klassik OPC-nin yaratmayacağı əyri maska geometriyaları və köməkçi xüsusiyyətlər formalaşdıra bilir.

OPC-dən ILT-yə keçid nə deməkdir?

Tədqiqatın ikinci səhifəsindəki tarixi sxem maska düzəlişinin təxminən dörd mərhələdə mürəkkəbləşdiyini göstərir: qayda əsaslı OPC, model əsaslı OPC, qayda/model əsaslı SRAF əlavə etmə və son olaraq ILT-də piksel səviyyəsində model yönümlü optimallaşdırma. Görsəldə metodlar irəlilədikcə maskanın orijinal geometriyadan daha çox uzaqlaşa bildiyi və hesablama yükünün artdığı vurğulanır.

Buradakı əsas dəyişiklik “dizayn maskada necə düzəldilməlidir?” sualından “hədəf wafer naxışı verildikdə hansı maska bu nəticəni yaradar?” sualına keçiddir. Buna görə ILT bir tərs problem yanaşmasıdır.

ILT-nin əsas hesablama dövrü necə işləyir?

Tərs problem riyazi olaraq necə tərif edilir?

İcmal irəli litoqrafiya prosesini əvvəlcə bu sadələşdirilmiş əlaqə ilə göstərir:

\[ \mathrm{Contour}=\mathrm{Litho}(\mathrm{mask}) \]

Burada Litho() maskanı giriş kimi alan irəli litoqrafiya hesablama funksiyasını, mask maska naxışını və Contour modelin wafer üzərində proqnozlaşdırdığı konturu təmsil edir.

Tərs problem isə mənbədə belə ifadə olunur:

\[ \mathrm{mask}^{*}=\mathrm{Litho}^{-1}(z) \]

\(z\), əldə edilmək istənən özgün dizayn və ya hədəf layout; \(\mathrm{mask}^{*}\) isə bu hədəf konturu yaradacaq maska həllidir. Praktikada tərs funksiyanın birbaşa qapalı formada əldə edilməsi əvəzinə, maska təkrar-təkrar yenilənərək xəta azaldılır.

Xərc funksiyası nəyi ölçür?

ILT-nin mərkəzi anlayışlarından biri hesablanmış wafer görüntüsü ilə hədəf geometriya arasındakı fərqin kəmiyyət olaraq ifadə edilməsidir. Mənbə əsas xərc funksiyasını bu formada verir:

\[ CF[\mathrm{mask}] = \iint w_p\,(\mathrm{Actual}-\mathrm{goal})^2\,dx\,dy \]

Buradakı Actual simulyasiyanın yaratdığı naxış, goal hədəf naxış və \(w_p\) kritik xüsusiyyətlərə fərqli əhəmiyyət verilməsini təmin edən çəkidir. Xərc funksiyası bir neçə proses pəncərəsi şərtini əhatə edəcək şəkildə də genişləndirilə bilər:

\[ CF[\mathrm{mask}] = \sum_{pw} \iint w_p\,(\mathrm{Actual}-\mathrm{goal})^2\,dx\,dy \]

Mənbədə \(pw\), fərqli proses pəncərəsi şərtlərini təmsil edir. Beləliklə optimallaşdırma yalnız ideal tək bir ekspozisiya şərtini deyil, fokus və ya doza kimi proses dəyişənlərinin müxtəlif vəziyyətlərini də nəzərə ala biləcək şəkildə qurula bilər.

Qradiyent əsaslı yeniləmənin sadələşdirilmiş forması isə belədir:

\[ \mathrm{Mask}_{M+1} = \mathrm{Mask}_{M} - G_m(x,y)\delta \]

\(G_m(x,y)\), xərc funksiyasının maskaya görə hesablanan optimallaşdırma qradiyentini; \(\delta\) isə yeniləmə böyüklüyünə və sabitliyə təsir edən addım/sönümləmə əmsalını təmsil edir. İcmal bu tənliklərin ILT-nin ətraflı riyaziyyatının sadələşdirilmiş xülasəsi olduğunu xüsusilə bildirir.

Dörd əsas ILT yanaşması necə ayrılır?

İcmal sənayedə tətbiq olunmuş və ya önə çıxmış ILT yanaşmalarını dörd əsas qrupda toplayır.

Bu müqayisə icmalın Cədvəl 1 məzmununa əsaslanır. Cədvəl tək bir universal “ən yaxşı ILT metodu” olmadığını; hesablama müddəti, maska mürəkkəbliyi, məlumatlara çıxış və hədəf naxış tipinin metod seçimini dəyişdirdiyini göstərir.

Level-set metodu niyə vacibdir?

Level-set yanaşmasında ikiölçülü maska sərhədi daha yüksək ölçülü bir səthin sıfır səviyyə kəsiyi kimi təmsil olunur. Mənbənin Şəkil 4-ü qapalı ikiölçülü konturun signed-distance tipli üçölçülü səthə çevrilməsini vizual olaraq izah edir.

Bu yanaşmanın əsas üstünlüyü topoloji dəyişikliklərin təbii şəkildə həyata keçirilə bilməsidir. Mənbənin Şəkil 5-ində tək bir əsas contact-hole naxışının ətrafında optimallaşdırma irəlilədikcə iki SRAF yaranır. İkiölçülü kontur baxımından bir qapalı əyridən üç ayrı qapalı əyriyə keçid kəsintili görünsə də, üçölçülü level-set səthi davamlı qalır. Bu sayədə köməkçi strukturların ortaya çıxması klassik sabit kənar seqmenti məntiqindən asılı olmadan idarə edilə bilir.

Piksel əsaslı ILT necə işləyir?

İcmalın araşdırdığı ikinci əsas yanaşma Intel-in piksel əsaslı ILT metodudur. Bu metod maskanı sabit piksel şəbəkəsinə çevirərək hər pikselin optimallaşdırmaya qatılmasını təmin edir. Mənbənin Şəkil 6-sında proses başlanğıc layout-u, faz rənglənməsi, pikselləşdirmə, piksel optimallaşdırması və yaxınsama nəzarəti şəklində göstərilir.

Mənbə bu yanaşmanın yüksək naxış sədaqəti təmin edə bildiyini, lakin dəyişən sayının böyüklüyü səbəbilə güclü hesablama infrastrukturu tələb etdiyini vurğulayır. Bundan əlavə, piksel təmsili nizamsız və ya dişli geometriyalar yarada bildiyindən istehsal edilə bilmə üçün əlavə düzəliş tələb oluna bilər.

Tezlik sahəsində əyrisəl ILT nəyi dəyişir?

Gauda/D2S yanaşması ILT optimallaşdırmasının mühüm hissələrini məkan sahəsindən tezlik sahəsinə daşıyır. Konvolyusiya əməliyyatlarının Fourier çevrilməsi üzərindən hasilə çevrilə bilməsi paralel hesablama baxımından mühüm üstünlük təmin edir.

İcmalın Şəkil 7-si klassik OPC ilə TrueMask ILT üçün fərqli doza və defocus şərtlərindəki proses pəncərələrini və onlara uyğun SEM görüntülərini müqayisə edir. Mənbə bu metodun xüsusilə nizamlı, periodik strukturların optimallaşdırılmasında güclü olduğunu və maska istehsal edilə bilməsini nəzərə alan mask-rule checking (MRC) addımları ilə birləşdirilə bildiyini izah edir.

Maşın öyrənməsi ILT-də nə üçün istifadə olunur?

Maşın öyrənməsinin əsas hədəfi klassik ILT-nin çox uzun çəkə bilən iterativ həllini sürətləndirməkdir. İcmala görə süni neyron şəbəkələri hədəf wafer naxışından uyğun maska strukturuna dair başlanğıc həll yarada, SRAF yerləşdirilməsini proqnozlaşdıra və ya bəzi hallarda birbaşa maskanı optimallaşdırmağa yönəlmiş modellərdə istifadə oluna bilər.

Tədqiqat CNN, GAN, VAE, model-yönümlü convolutional neural network və reinforcement learning kimi yanaşmaları nümunə göstərir. Xüsusilə fizika əsaslı litoqrafiya modelini neyron şəbəkəsi arxitekturasına daxil edən model-yönümlü metodlar yalnız məlumat əsaslı qara qutu modellərə nisbətən fiziki uyğunluğu artırmağı hədəfləyir.

Buna baxmayaraq, icmal maşın öyrənməsi dəstəkli ILT üçün ciddi məlumat problemi olduğunu da vurğulayır. İstehsalçıların layout və proses parametrləri kommersiya baxımından həssas olduğundan yüksək keyfiyyətli müasir təlim məlumatlarının paylaşımı məhduddur. Tədqiqat bir çox akademik metodun hələ də 2013 tarixli ICCAD benchmark məlumatlarına əsaslanmasını müasir qabaqcıl düyünlərə ümumiləşdirilə bilmə baxımından problem kimi qiymətləndirir.

ILT tədqiqatının tarixi inkişafı nə göstərir?

İcmal ILT-nin köklərini 1981-də Saleh və Sayegh-in piksel əsaslı maska optimallaşdırması işinə qədər aparır. 2000-ci illərdə model əsaslı OPC-nin geniş yayılması ilə ILT tədqiqatları sürətlənmiş; level-set yanaşması, piksel əsaslı optimallaşdırma, GPU hesablama və maşın öyrənməsi kimi metodlar zamanla əlavə edilmişdir.

2010-cu illərin bir hissəsində ILT-nin irəliləyişini məhdudlaşdıran iki böyük texniki maneə önə çıxmışdır: yüksək hesablama yükü və əyrisəl maska formalarını səmərəli yaza bilməyən klassik variable-shaped beam (VSB) maska yazıcıları. İcmal GPU sürətləndirməsinin və çox şüalı maska yazıcılarının yetkinləşməsini ILT-nin yenidən yüksəlişinin başlıca səbəbləri arasında göstərir.

Mənbə daxilində mühüm uyğunsuzluq: Mətn illik ILT yayın sayının 2010-da təxminən 28 ilə zirvəyə çatdığını bildirir. Lakin icmalın Şəkil 9-unda 28 dəyəri 2009 ilinə, 2010 ili isə 12 dəyərinə uyğun gəlir. Verianla bu uyğunsuzluğu səssizcə tək bir ilə çevirməmişdir. Şəkil və izah arasında il uyğunsuzluğu vardır.

Çox şüalı maska yazıcıları niyə kritikdir?

ILT-nin təbii nəticəsi çox vaxt Manhattan geometriyasından uzaq, əyrisəl maska formalarıdır. Ənənəvi VSB sistemlərində bu əyrilərin çoxlu kiçik düzbucaqlı çəkimlə yaxınlaşdırılması lazımdır. Bu əməliyyat həm yazım müddətini, həm də məlumat miqdarını artıra bilər.

İcmalın Şəkil 13-ündə çox şüalı maska yazma arxitekturasının əsas prinsipi göstərilir: elektron mənbəyindən çıxan şüa condenser optiklərdən və aperture plate sistemindən keçərək yüz minlərlə proqramlana bilən mikro şüaya bölünür; projection optics və deflektor sistemi vasitəsilə maska üzərinə yönləndirilir. Tədqiqat bu quruluşun əyrisəl geometriyaları naxış mürəkkəbliyinə klassik VSB qədər asılı olmadan yaza bilməsini ILT-nin sənaye tətbiq edilə bilməsi baxımından mühüm inkişaf kimi qiymətləndirir.

GPU sürətləndirməsi niyə ILT-nin əsas komponentlərindən birinə çevrildi?

ILT-dəki irəli və geri litoqrafiya simulyasiyaları böyük miqdarda matris hesabı və təkrarlanan optimallaşdırma tələb edir. Bu hesablamaların mühüm hissəsi paralelləşdirilə bildiyi üçün GPU arxitekturaları ILT baxımından təbii sürətləndiricidir.

İcmal GPU əsaslı yanaşmaların ILT hesablama müddətini böyük ölçüdə azalda bildiyini aktarır və mənbə tədqiqatları üzərindən 10 qatdan çox sürətləndirmə nümunələri ilə NVIDIA cuLitho üçün 40 dəfəyə qədər sürətlənmə bildirişini müzakirə edir. Bu dəyərlər mövcud icmalın həyata keçirdiyi müstəqil benchmark nəticələri deyil; icmalın istinad etdiyi mənbələrdəki performans bildirişləridir.

ILT-nin EUV və High-NA dövründəki rolu nədir?

İcmala görə ILT-nin əsas tərs dizayn prinsipi DUV və EUV sistemlərində eynidir: hədəf wafer konturundan çıxış edərək optik və proses təsirlərini kompensasiya edəcək maska hesablanır. Bununla yanaşı, daha kiçik xüsusiyyətlər və daha mürəkkəb fiziki təsirlər EUV üçün daha incə hesablama torları və daha dəqiq maska modelləri tələb edir.

Tədqiqat həmçinin EUV-nin əks etdirici optik quruluşu, maska üçölçülü təsirləri və daha inkişaf etmiş düyünlərdə artan hesablama yükü səbəbilə ILT-nin əhəmiyyətinin davam etdiyini müdafiə edir. High-NA EUV və uzadılmış DUV tətbiqləri icmalda ILT-nin gələcək mühüm istifadə sahələri arasında göstərilir.

ILT-nin qarşısındakı dörd əsas darboğaz nədir?

İcmal mövcud maneələri dörd əsas qrupda toplayır:

• Hesablama mürəkkəbliyi: Tam çip optimallaşdırmasında həll fəzası çox böyükdür və iterativ simulyasiyalar uzun çəkə bilər.
• Maska istehsal edilə bilməsi: Əyrisəl, incə və mürəkkəb ILT geometriyaları klassik maska yazma sistemləri üçün çətindir.
• Model doğruluğu: Optik, fotoresist, termal və maska 3B təsirlərinin hamısını kifayət qədər doğruluqla modelləşdirmək çətindir.
• Sənaye ekosistemi və məlumatlara çıxış: İstehsalçıların riskdən yayınması və həssas proses/layout məlumatlarının paylaşılmaması xüsusilə maşın öyrənməsi əsaslı ILT-ni məhdudlaşdırır.

Gələcək üçün hansı texniki istiqamətlər önə çıxır?

İcmal tək bir texnologiyaya əsaslanan gələcək proqnozu vermək əvəzinə çoxlu texnologiya birləşməsini önə çıxarır. Bunların başında ILT + OPC + source-mask optimization (SMO) hibrid strategiyaları gəlir. Bu yanaşmada bütün çipin hər bölgəsinə eyni hesablama sıxlığında ILT tətbiq etmək əvəzinə kritik bölgələrdə yüksək dəqiqlikli ILT, daha asan bölgələrdə ənənəvi OPC istifadə oluna bilər.

İkinci mühüm istiqamət maska 3B təsirləri və fotoresist davranışı kimi çoxlu fiziki təsirlərin daha dəqiq modelləşdirilməsidir. Üçüncü istiqamət AI/ML dəstəkli tərs dizayndır. Dördüncü istiqamət GPU mərkəzli hesablama infrastrukturudur. Beşinci istiqamət çox şüalı maska yazıcılarının yetkinləşməsidir. Son olaraq açıq məlumat dəstləri və rəqəmsal əkizlər, xüsusilə real istehsal məlumatına çıxışı olmayan tədqiqat qruplarının ILT modellərini inkişaf etdirə bilməsi üçün potensial alətlər kimi nəzərdən keçirilir.

Tədqiqatın dəstəklədiyi nəticələr

• ILT klassik kənar hərəkətinə əsaslanan OPC-yə nisbətən maskanı daha geniş geometrik həll fəzasında optimallaşdıran tərs dizayn yanaşmasıdır.
• Level-set, piksel əsaslı, tezlik sahəli əyrisəl və maşın öyrənməsi dəstəkli ILT yanaşmalarının fərqli hesablama və istehsal edilə bilmə xüsusiyyətləri vardır.
• GPU sürətləndirməsi və çox şüalı maska yazma texnologiyasının inkişafı ILT-nin sənaye tətbiq edilə bilməsinin artmasında mühüm rol oynamışdır.
• İcmalda araşdırılan ədəbiyyat ILT-nin hotspot düzəlişindən kənarda SRAF, tam çip və EUV kontekstlərində qiymətləndirildiyini göstərir.
• Hesablama xərci, maska istehsal edilə bilməsi, model kalibrasiyası və məlumatlara çıxış həll olunmamış mühüm problemlərdir.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Bu icmal yeni yarımkeçirici proses düyünü istehsal etməmiş və yeni tam çip ILT təcrübəsi həyata keçirməmişdir.
• İcmalda verilən sürətlənmə nisbətləri və proses pəncərəsi yaxşılaşmaları bütün ILT metodları üçün universal performans zəmanəti deyil.
• Maşın öyrənməsi dəstəkli ILT-nin bütün qabaqcıl düyünlərdə klassik fizika əsaslı ILT-dən üstün olduğu sübut edilməmişdir.
• Curvilinear ILT maskalarının bütün istehsal müəssisələrində eyni xərc və səmərəliliklə tətbiq oluna biləcəyi göstərilməmişdir.
• İcmalın sənaye istifadə qiymətləndirmələri müstəqil qlobal istehsal sayımı deyil; müəlliflərin ədəbiyyat və sektor perspektivinə əsaslanan sintezidir.
• Tədqiqatda Türkiyə yarımkeçirici istehsal infrastrukturu ilə bağlı xüsusi tətbiq və ya performans məlumatı yoxdur.

Tədqiqatın Metodu və Nəticələri

Tədqiqat dizaynı

Bu məqalə eksperimental tədqiqat deyil, narrativ/sistematik geniş texniki icmal xarakterindədir. Müəlliflər ILT-nin riyazi prinsiplərini, tarixi inkişafını, əsas alqoritmik tətbiqlərini, sənaye nümunələrini və gələcək tədqiqat istiqamətlərini ədəbiyyat və sektor mənbələri üzərindən sintez edirlər.

Məqalə yeni wafer təcrübəsi, yeni maska istehsalı, yeni məlumat dəsti və ya yeni statistik analiz təqdim etmir. Müəlliflərin Data Availability Statement bölməsində açıq şəkildə qeyd edildiyi kimi, bu tədqiqat çərçivəsində yeni məlumat yaradılmamış və ya analiz edilməmişdir.

Araşdırılan əsas texniki oxlar

İcmalda önə çıxarılan sayısal nümunələr

Mənbə əvvəlki tədqiqatlardan müxtəlif kəmiyyət nəticələrini aktarır. Bunlar mövcud icmalın yeni ölçmələri deyil:

• Çox sahəli wavefront-error-aware SMO kontekstində Hybrid Dynamic Priority alqoritmi üçün görüntü uniformitetində %31,1-ə qədər yaxşılaşma verilir.
• 2017-də bildirilən DRAM tam çip ILT tətbiqində depth of focus üçün təxminən %20 artım və CD xətalarının 5 nm-dən aşağı saxlandığı bildirilir.
• D2S-nin 2019 tarixli nümunəsində tam çip ILT üçün təxminən 48 saat hesablama və təxminən 12 saat maska yazma müddəti verilir.
• ML-assisted ILT üçün icmal bəzi inferensiya tətbiqlərinin klassik metodlara nisbətən 10–100 dəfə daha sürətli ola bildiyini bildirir; bu ifadə metoda və istifadə olunan tədqiqata bağlıdır.
• GPU əsaslı ILT üçün icmalda 10 dəfədən çox sürətləndirmə nümunələri və NVIDIA cuLitho kontekstində 40 dəfəyə qədər sürətlənmə verilir.
• IMS MBMW-101 üçün 262.000 eyni vaxtlı şüa istifadə edildiyi; elektronların son enerjisinin 50 keV və proyeksiya kiçiltməsinin 200× olduğu açıqlanır.

Bu dəyərlərin bir-biri ilə birbaşa benchmark müqayisəsi aparılmamalıdır; fərqli tədqiqatlar, düyünlər, aparat, maskalar və test şərtləri söz mövzusudur.

Şəkil 7-nin elmi mesajı

Şəkil 7 klassik OPC və TrueMask ILT üçün doza–defocus şərtlərindəki proses pəncərələrini müqayisə edir. Görsəlin yuxarı hissəsində iki metodun qəbul edilə bilən kritik ölçü aralıqları, aşağı hissəsində isə müvafiq şərtlərdəki SEM görüntüləri yerləşir. İcmalın məqsədi ILT-nin yalnız nominal fokusda deyil, dəyişən proses şərtlərində də istifadə oluna biləcək daha geniş həll sahəsi təmin edə bildiyini göstərməkdir. Lakin burada verilən nəticə müəyyən bir mənbə tədqiqatına aiddir və bütün ILT tətbiqlərinə ümumiləşdirilə bilməz.

Şəkil 9 və 10-dakı yayın meyli

Şəkil 9 Web of Science üzərində “inverse lithography technology” mövzu axtarışı ilə əldə edilən illik yayın saylarının müəlliflər tərəfindən tərtib edilmiş paylanmasını göstərir. Qrafikdə 2000-ci illərin ortasında nəzərəçarpan artım, sonrakı dalğalanma və 2020-dən sonra yenidən güclü yüksəliş görünür. Şəkil 10 isə 2021 tarixli bir ILT icmalının mənbələrinin illərə görə paylanmasından istifadə edərək tarixi tədqiqat sıxlığını dolayı şəkildə müqayisə edir.

Redaksiya xəbərdarlığı: Şəkil 9 ilə onu izah edən mətn arasında il uyğunsuzluğu vardır. Qrafik 28 yayını 2009 üçün göstərdiyi halda mətn bu zirvəni 2010 kimi təsvir edir. Buna görə Verianla yayın sayının zirvəsini tək bir il üçün dəqiqləşdirmir.

Şəkil 13-dəki MBMW arxitekturası

Şəkil 13 elektron mənbəyi, condenser optics, data link, aperture plate system, projection optics, stopping plate, deflectors, 6-inch mask və scanning stage komponentlərini ehtiva edən çox şüalı maska yazma zəncirini sxematik olaraq göstərir. Əsas mühəndislik mesajı tək bir elektron şüasının proqramlana bilən böyük mikro-şüa massivinə bölünməsi və bütün massivin maska üzərində dəqiq şəkildə yönləndirilməsidir.

Şəkil 15-dəki GPU nəticəsi necə şərh edilməlidir?

Şəkil 15 ILT/litoqrafiya simulyasiyasındakı fərqli hesablama komponentləri üçün CPU və GPU sürətlərini müqayisə edən mənbə sənaye təqdimatından götürülmüşdür. Görsəl wafer və resist hesabları başda olmaqla müxtəlif komponentlərdə GPU-nun yüksək paralel performans üstünlüyünü göstərir. Bu qrafik 2020 tarixli mənbə təqdimatına əsaslanır; mövcud icmalın həyata keçirdiyi nəzarətli benchmark deyil.

Mənbə daxilində şəkil nömrəsi uyğunsuzluğu

Məqalənin təşəkkür bölməsində Johannes Leitner və IMS Nanofabrication-a “Electron optical concept of MBMW” və “MBMW product portfolio including target nodes” görsəllərini yenidən istifadə icazəsi üçün təşəkkür edilir və bunlar “Figure 1” və “Figure 3” kimi adlandırılır. Lakin mövcud PDF əsas mətnində bu məzmunlar müvafiq olaraq Şəkil 13 və Şəkil 16 kimi yer alır. Bu hal məqalənin nəticələrini dəyişdirməyən, lakin biblioqrafik/görsəl izlənə bilmə baxımından bildirilməsi gərəkən nömrələmə uyğunsuzluğudur.

İcmalın üç əsas açıq tədqiqat problemi

Nəticə bölümündəki outlook qutusu üç əsas açıq problemi xüsusilə önə çıxarır:

1. Hesablama sürətləndirməsi: Tam çip ILT üçün daha sürətli alqoritmlər və GPU mərkəzli hesablama ehtiyacı.
2. Maska istehsal edilə bilməsi: Əyrisəl ILT geometriyalarının yüksək səmərəliliklə və qəbul edilə bilən xərclə yazıla bilməsi.
3. Dəqiq çoxfizikli modelləşdirmə: EUV, maska üçölçülü təsirləri, resist və litoqrafiya–etch qarşılıqlı təsirləri kimi real proses təsirlərinin daha yaxşı modelləşdirilməsi.

İcmalın ümumi nəticəsi budur ki, ILT-nin gələcəyi təkbaşına daha yaxşı optimallaşdırma alqoritminə deyil; fizika modeli, EDA proqram təminatı, süni intellekt, GPU aparatı, maska yazma texnologiyası və istehsal məlumatının birlikdə inkişafına bağlıdır.

Mənbə və Metod Qeydi

Tam orijinal iş adı: Inverse Lithography Technology (ILT) Under Chip Manufacture Context

Müəlliflər: Xiaodong Meng; Cai Chen; Jie Ni.

Müəllif sırası: Xiaodong Meng birinci müəllif, Cai Chen ikinci müəllif, Jie Ni üçüncü müəllifdir.

Bərabər töhfə / bərabər birinci müəllif: Mənbədə bərabər birinci müəllif və ya bərabər töhfə bildirişi yoxdur.

Məsul müəllif: Xiaodong Meng.

Qurumlar: School of Integrated Circuits, Tsinghua University, Beijing, China; Advanced Manufacturing EDA Co., Ltd., Shanghai, China.

Jurnal: Micromachines.

Cild / say / məqalə nömrəsi: 17(1), 117.

DOI:10.3390/mi17010117

Nəşriyyat: MDPI, Basel, Switzerland.

Mənbə növü: Review / icmal məqaləsi.

Rəyçilik vəziyyəti: Rəyçi qiymətləndirməsindən keçmiş və yayımlanmış icmal məqaləsidir.

Nəşr prosesi: 17 Dekabr 2025-də alınmış, 26 Dekabr 2025-də yenidən işlənmiş, 28 Dekabr 2025-də qəbul edilmiş və 16 Yanvar 2026-da yayımlanmışdır.

Özəl say: Recent Advances in Lithography.

Rəsmi nəşr bağlantısı:MDPI rəsmi məqalə səhifəsi

Lisenziya: Creative Commons Attribution 4.0 International (CC BY 4.0).

Maliyyələşmə: Müəlliflər tədqiqatın xarici maliyyələşmə almadığını bildirirlər.

Məlumat əlçatanlığı: Bu icmal çərçivəsində yeni məlumat yaradılmamış və ya analiz edilməmişdir; buna görə yeni tədqiqat məlumat dəsti paylaşımı tətbiq edilə bilən deyil.

Maraqlar toqquşması: Üç müəllif də Advanced Manufacturing EDA Co., Ltd. bünyəsində çalışır. Müəlliflər tədqiqatın potensial maraqlar toqquşması kimi qiymətləndirilə biləcək kommersiya və ya maliyyə münasibətləri olmadan aparıldığını bəyan edirlər.

Müəllif töhfələri: Xiaodong Meng — Conceptualization və investigation; Cai Chen — methodology, investigation və validation; Jie Ni — supervision. Bütün müəlliflərin yayımlanan versiyanı oxuyub təsdiqlədiyi bildirilmişdir.

Elmi məzmun həddi: Bu tədqiqat yeni eksperimental məlumat yaratmayan bir icmaldır. Verianla məqaləsindəki ILT prinsipləri, metod təsnifatları, riyazi ifadələr, tarixi izah, performans nümunələri və sənaye qiymətləndirmələri yüklənən icmalın məzmununa əsaslanır. Xarici mənbələrdən yeni eksperimental ILT nəticəsi əlavə edilməmişdir. İcmalda başqa tədqiqatlardan verilən performans göstəriciləri mövcud məqalənin öz eksperimental tapıntıları kimi təqdim edilməmişdir.

Mənbə daxilində uyğunsuzluq qeydi 1: Mətn illik ILT yayınlarının 2010-da təxminən 28 ilə zirvəyə çatdığını bildirərkən Şəkil 9-da 28 yayın 2009-a, 2010 isə 12 yayına uyğun gəlir. Bu uyğunsuzluq mənbədə mövcuddur və səssizcə düzəldilməmişdir.

Mənbə daxilində uyğunsuzluq qeydi 2: Təşəkkür bölməsində MBMW görsəlləri “Figure 1” və “Figure 3” kimi anıldığı halda PDF əsas mətnində müvafiq görsəllər Şəkil 13 və Şəkil 16 kimi nömrələnmişdir.

Görsəl istifadə qeydi: Mənbə məqalə CC BY lisenziyalı olsa da bəzi görsəllər başqa mənbələrdən icazə ilə yenidən istehsal edilmişdir. Bu Verianla məzmununda orijinal mənbə görsəlləri birəbir kopyalanmamış; metod axını yalnız mənbə məzmununa əsaslanan görünür HTML cədvəli və Verianla Live proses göstəricisi ilə izah edilmişdir.