Bu derleme, gelişmiş yarı iletken üretiminde maskeyi klasik biçimde ileriye doğru düzeltmek yerine, hedeflenen yonga deseni üzerinden geriye doğru hesaplayarak optimize eden ters litografi teknolojisini (Inverse Lithography Technology, ILT) inceliyor. Çalışma; ILT'nin matematiksel temelini, seviye-kümesi, piksel tabanlı, frekans alanlı eğrisel ve makine öğrenmesi destekli dört ana uygulama yaklaşımını, tarihsel gelişimini, tam yonga uygulamalarını, EUV dönemindeki rolünü ve üretim darboğazlarını sistematik olarak bir araya getiriyor. Yazarların ana değerlendirmesine göre ILT'nin klasik optik yakınlık düzeltmesine (OPC) göre temel üstünlüğü; daha geniş bir maske çözüm uzayında çalışabilmesi, karmaşık optik etkileri daha ayrıntılı hesaba katabilmesi ve süreç penceresini genişletebilmesidir. Bunun karşılığında hesaplama süresi, eğrisel maskelerin üretilebilirliği, litografi modelinin doğruluğu ve endüstriyel veri erişimi önemli sınırlamalar olarak kalmaktadır.

Çalışmanın en önemli mesajı, ILT'nin artık yalnız teorik bir maske optimizasyon yöntemi olmadığıdır. Derlemede aktarılan endüstri örnekleri; ILT'nin hotspot düzeltme, sub-resolution assist feature (SRAF) üretme, belirli tam yonga uygulamaları ve EUV litografisi gibi alanlara kadar ilerlediğini göstermektedir. Bununla birlikte bu makale yeni bir deney, yeni yonga üretimi veya bağımsız performans doğrulaması sunmamaktadır; mevcut akademik ve endüstriyel çalışmaların sonuçlarını sentezleyen bir derlemedir. Bu nedenle verilen performans artışları ve üretim örnekleri, bu derlemenin kendi deneysel bulguları olarak yorumlanmamalıdır.

Türkiye açısından çalışma doğrudan yerel üretim verisi sunmamaktadır. ILT'nin Türkiye'deki olası kullanımı değerlendirilirken mevcut litografi altyapısı, maske üretim kapasitesi, EDA ekosistemi, hesaplama altyapısı ve erişilebilir süreç verileri ayrıca incelenmelidir. Derlemede farklı ülkeler ve üreticiler için verilen endüstriyel durum değerlendirmeleri Türkiye'ye doğrudan aktarılabilecek sonuçlar değildir.

ILT neden ortaya çıktı?

Fotolitografi, tümleşik devrelerdeki tasarım deseninin bir maskeden yarı iletken yüzeye aktarılmasını sağlar. Ancak tasarımdaki en küçük çizgiler kullanılan ışığın dalga boyuna yaklaştıkça veya onun altına indikçe, kırınım ve girişim nedeniyle maskede bulunan geometrinin wafer üzerinde aynı biçimde oluşması giderek zorlaşır. Çalışma bu bozulmayı optik yakınlık etkisi (Optical Proximity Effect, OPE) olarak açıklamaktadır.

Geleneksel optik yakınlık düzeltmesinde, yani OPC'de, maskenin kenarları veya çizgi segmentleri litografi modelinin öngördüğü hatayı azaltacak şekilde hareket ettirilir. Model tabanlı OPC'de temel ölçütlerden biri edge placement error (EPE), yani hesaplanan wafer konturu ile hedef kontur arasındaki kenar konum hatasıdır.

ILT ise başlangıç geometrisinin kenarlarını yalnızca küçük miktarlarda hareket ettirmekle sınırlı kalmaz. Maskeyi piksel veya sürekli eğrisel bir optimizasyon alanı olarak ele alabilir. Böylece çözüm uzayı genişler ve algoritma hedef wafer desenini elde etmek için klasik OPC'nin üretmeyeceği kıvrımlı maske geometrileri ile yardımcı özellikler oluşturabilir.

OPC'den ILT'ye geçiş ne anlama geliyor?

Çalışmanın ikinci sayfasındaki tarihsel şema, maske düzeltmenin yaklaşık olarak dört aşamada karmaşıklaştığını gösteriyor: kural tabanlı OPC, model tabanlı OPC, kural/model tabanlı SRAF ekleme ve son olarak ILT'deki piksel düzeyindeki model güdümlü optimizasyon. Görselde yöntemler ilerledikçe maskenin orijinal geometriden daha fazla uzaklaşabildiği ve hesaplama yükünün yükseldiği vurgulanmaktadır.

Buradaki temel değişim, “tasarım maskede nasıl düzeltilmeli?” sorusundan “hedef wafer deseni verildiğinde hangi maske bu sonucu üretir?” sorusuna geçiştir. Bu nedenle ILT bir ters problem yaklaşımıdır.

ILT'nin temel hesaplama döngüsü nasıl çalışıyor?

Ters problem matematiksel olarak nasıl tanımlanıyor?

Derleme, ileri litografi işlemini önce şu basitleştirilmiş ilişkiyle gösteriyor:

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

Burada Litho() maskeyi giriş olarak alan ileri litografi hesaplama fonksiyonunu, mask maske desenini ve Contour modelin wafer üzerinde öngördüğü konturu temsil eder.

Ters problem ise kaynakta şu şekilde ifade edilmektedir:

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

\(z\), ulaşılmak istenen özgün tasarım veya hedef layout; \(\mathrm{mask}^{*}\) ise bu hedef konturu üretecek maske çözümüdür. Pratikte ters fonksiyonun doğrudan kapalı biçimde elde edilmesi yerine, maske tekrar tekrar güncellenerek hata azaltılır.

Maliyet fonksiyonu neyi ölçüyor?

ILT'nin merkezi kavramlarından biri, hesaplanan wafer görüntüsü ile hedef geometri arasındaki farkın nicel olarak ifade edilmesidir. Kaynak temel maliyet fonksiyonunu şu biçimde vermektedir:

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

Buradaki Actual simülasyonun ürettiği desen, goal hedef desen ve \(w_p\) kritik özelliklere farklı önemler verilmesini sağlayan ağırlıktır. Maliyet fonksiyonu, birden fazla süreç penceresi koşulunu içerecek biçimde de genişletilebilir:

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

Kaynakta \(pw\), farklı süreç penceresi koşullarını temsil etmektedir. Böylece optimizasyon yalnız ideal tek bir pozlama koşulunu değil, odak veya doz gibi süreç değişkenlerinin farklı durumlarını da hesaba katabilecek biçimde kurulabilir.

Gradyan tabanlı güncellemenin basitleştirilmiş biçimi ise şöyledir:

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

\(G_m(x,y)\), maliyet fonksiyonunun maskeye göre hesaplanan optimizasyon gradyanını; \(\delta\) ise güncelleme büyüklüğünü ve kararlılığı etkileyen adım/sönümleme katsayısını temsil eder. Derleme bu denklemlerin ILT'nin ayrıntılı matematiğinin sadeleştirilmiş özeti olduğunu özellikle belirtmektedir.

Dört temel ILT yaklaşımı nasıl ayrılıyor?

Derleme endüstride uygulanmış veya öne çıkmış ILT yaklaşımlarını dört ana grupta topluyor.

Bu karşılaştırma derlemenin Tablo 1'inin içeriğine dayanmaktadır. Tablo tek bir evrensel “en iyi ILT yöntemi” olmadığını; hesaplama süresi, maske karmaşıklığı, veri erişimi ve hedef desen tipinin yöntem seçimini değiştirdiğini göstermektedir.

Level-set yöntemi neden önemli?

Level-set yaklaşımında iki boyutlu maske sınırı, daha yüksek boyutlu bir yüzeyin sıfır seviye kesiti olarak temsil edilir. Kaynağın Şekil 4'ü, kapalı iki boyutlu konturun signed-distance türü üç boyutlu bir yüzeye dönüştürülmesini görsel olarak açıklamaktadır.

Bu yaklaşımın temel avantajı topoloji değişikliklerinin doğal biçimde gerçekleştirilebilmesidir. Kaynağın Şekil 5'inde tek bir ana contact-hole deseninin çevresinde optimizasyon ilerlerken iki SRAF oluşur. İki boyutlu kontur açısından bir kapalı eğriden üç ayrı kapalı eğriye geçiş süreksiz görünürken, üç boyutlu level-set yüzeyi sürekli kalır. Bu sayede yardımcı yapıların ortaya çıkışı klasik sabit kenar segmenti mantığına bağlı olmadan yönetilebilir.

Piksel tabanlı ILT nasıl çalışıyor?

Derlemenin ele aldığı ikinci ana yaklaşım Intel'in piksel tabanlı ILT yöntemidir. Bu yöntem maskeyi sabit bir piksel ızgarasına dönüştürerek her pikselin optimizasyona katılmasını sağlar. Kaynağın Şekil 6'sında süreç; başlangıç layout'u, faz renklendirme, pikselasyon, piksel optimizasyonu ve yakınsama kontrolü şeklinde gösterilir.

Kaynak, bu yaklaşımın yüksek desen sadakati sağlayabildiğini ancak değişken sayısının büyüklüğü nedeniyle güçlü hesaplama altyapısı gerektirdiğini vurgular. Ayrıca piksel temsili düzensiz veya tırtıklı geometriler oluşturabileceğinden üretilebilirlik için ek düzenleme gerekebilir.

Frekans alanında eğrisel ILT neyi değiştiriyor?

Gauda/D2S yaklaşımı ILT optimizasyonunun önemli bölümlerini uzamsal alandan frekans alanına taşır. Konvolüsyon işlemlerinin Fourier dönüşümü üzerinden çarpıma dönüştürülebilmesi, paralel hesaplama açısından önemli bir avantaj sağlar.

Derlemenin Şekil 7'si klasik OPC ile TrueMask ILT için farklı doz ve defocus koşullarındaki süreç pencerelerini ve bunlara karşılık gelen SEM görüntülerini karşılaştırmaktadır. Kaynak bu yöntemin özellikle düzenli, periyodik yapıların optimizasyonunda güçlü olduğunu ve maske üretilebilirliğini gözeten mask-rule checking (MRC) adımlarıyla birleştirilebildiğini anlatmaktadır.

Makine öğrenmesi ILT'de ne için kullanılıyor?

Makine öğrenmesinin temel hedefi, klasik ILT'nin çok uzun sürebilen iteratif çözümünü hızlandırmaktır. Derlemeye göre yapay sinir ağları hedef wafer deseninden uygun maske yapısına ilişkin bir başlangıç çözümü üretebilir, SRAF yerleşimini tahmin edebilir veya bazı durumlarda doğrudan maskeyi optimize etmeye yönelik modellerde kullanılabilir.

Çalışma; CNN, GAN, VAE, model-güdümlü convolutional neural network ve reinforcement learning gibi yaklaşımları örneklemektedir. Özellikle fizik tabanlı litografi modelini sinir ağı mimarisine dahil eden model-güdümlü yöntemler, yalnız veri temelli kara kutu modellere göre fiziksel tutarlılığı artırmayı hedefler.

Buna karşın derleme, makine öğrenmesi destekli ILT için ciddi bir veri sorunu bulunduğunu da vurgulamaktadır. Üreticilerin layout ve süreç parametreleri ticari açıdan hassas olduğundan yüksek kaliteli güncel eğitim verilerinin paylaşımı sınırlıdır. Çalışma birçok akademik yöntemin hâlâ 2013 tarihli ICCAD benchmark verilerine dayanmasını güncel ileri düğümlere genellenebilirlik açısından bir sorun olarak değerlendirmektedir.

ILT araştırmasının tarihsel gelişimi ne gösteriyor?

Derleme ILT'nin kökenlerini 1981'de Saleh ve Sayegh'in piksel tabanlı maske optimizasyonu çalışmasına kadar götürüyor. 2000'li yıllarda model tabanlı OPC'nin yaygınlaşmasıyla birlikte ILT araştırmaları hızlanmış; level-set yaklaşımı, piksel tabanlı optimizasyon, GPU hesaplama ve makine öğrenmesi gibi yöntemler zaman içinde eklenmiştir.

2010'ların bir bölümünde ILT'nin ilerlemesini sınırlayan iki büyük teknik engel öne çıkmıştır: yüksek hesaplama yükü ve eğrisel maske şekillerini verimli yazamayan klasik variable-shaped beam (VSB) maske yazıcıları. Derleme, GPU hızlandırmanın ve çok ışınlı maske yazıcıların olgunlaşmasını ILT'nin yeniden yükselişindeki başlıca nedenler arasında göstermektedir.

Kaynak içi önemli tutarsızlık: Metin, yıllık ILT yayın sayısının 2010'da yaklaşık 28 ile zirve yaptığını belirtmektedir. Ancak derlemenin Şekil 9'unda 28 değeri 2009 yılına, 2010 yılı ise 12 değerine karşılık gelmektedir. Verianla bu uyuşmazlığı sessizce tek bir yıla dönüştürmemiştir. Şekil ve anlatı arasında yıl tutarsızlığı bulunmaktadır.

Çok ışınlı maske yazıcılar neden kritik?

ILT'nin doğal sonucu çoğu zaman Manhattan geometrisinden uzak, eğrisel maske biçimleridir. Geleneksel VSB sistemlerinde bu eğrilerin çok sayıda küçük dikdörtgen çekimle yaklaşıklandırılması gerekir. Bu işlem hem yazım süresini hem veri miktarını artırabilir.

Derlemenin Şekil 13'ünde çok ışınlı maske yazma mimarisinin temel prensibi gösterilmektedir: elektron kaynağından çıkan ışın, condenser optiklerden ve aperture plate sisteminden geçerek yüz binlerce programlanabilir mikro ışına bölünür; projection optics ve deflektör sistemi aracılığıyla maske üzerine yönlendirilir. Çalışma bu yapının eğrisel geometrileri desen karmaşıklığına klasik VSB kadar bağımlı olmadan yazabilmesini ILT'nin endüstriyel uygulanabilirliği açısından önemli bir gelişme olarak değerlendirmektedir.

GPU hızlandırma neden ILT'nin temel bileşenlerinden biri hâline geldi?

ILT'deki ileri ve geri litografi simülasyonları büyük miktarda matris hesabı ve tekrar eden optimizasyon gerektirir. Bu hesapların önemli kısmı paralelleştirilebilir olduğu için GPU mimarileri ILT açısından doğal bir hızlandırıcıdır.

Derleme, GPU tabanlı yaklaşımların ILT hesaplama süresini büyük ölçüde azaltabildiğini aktarmakta ve kaynak çalışmalar üzerinden 10 katın üzerinde hızlandırma örnekleri ile NVIDIA cuLitho için 40 kata kadar hızlanma bildirimini tartışmaktadır. Bu değerler mevcut derlemenin gerçekleştirdiği bağımsız benchmark sonuçları değildir; derlemenin atıf yaptığı kaynaklardaki performans bildirimleridir.

ILT'nin EUV ve High-NA dönemindeki rolü nedir?

Derlemeye göre ILT'nin temel ters tasarım prensibi DUV ve EUV sistemlerinde aynıdır: hedef wafer konturundan hareketle, optik ve süreç etkilerini telafi edecek maske hesaplanır. Bununla birlikte daha küçük özellikler ve daha karmaşık fiziksel etkiler, EUV için daha ince hesaplama ızgaraları ve daha doğru maske modelleri gerektirir.

Çalışma ayrıca EUV'nin yansıtıcı optik yapısı, maske üç boyutlu etkileri ve daha gelişmiş düğümlerde artan hesaplama yükü nedeniyle ILT'nin öneminin sürdüğünü savunmaktadır. High-NA EUV ve uzatılmış DUV uygulamaları, derlemede ILT'nin gelecekteki önemli kullanım alanları arasında gösterilmektedir.

ILT'nin önündeki dört ana darboğaz nedir?

Derleme mevcut engelleri dört temel grupta topluyor:

• Hesaplama karmaşıklığı: Tam yonga optimizasyonunda çözüm uzayı çok büyüktür ve iteratif simülasyonlar uzun sürebilir.
• Maske üretilebilirliği: Eğrisel, ince ve karmaşık ILT geometrileri klasik maske yazma sistemleri için zorlayıcıdır.
• Model doğruluğu: Optik, fotoresist, termal ve maske 3B etkilerinin tamamını yeterli doğrulukta modellemek güçtür.
• Endüstriyel ekosistem ve veri erişimi: Üreticilerin riskten kaçınması ve hassas süreç/layout verilerinin paylaşılmaması özellikle makine öğrenmesi tabanlı ILT'yi sınırlar.

Gelecek için hangi teknik yönler öne çıkıyor?

Derleme tek bir teknolojiye dayalı gelecek öngörmek yerine çoklu teknoloji birleşimini öne çıkarıyor. Bunların başında ILT + OPC + source-mask optimization (SMO) hibrit stratejileri geliyor. Bu yaklaşımda tüm yonganın her bölgesine aynı hesaplama yoğunluğunda ILT uygulamak yerine kritik bölgelerde yüksek doğruluklu ILT, daha kolay bölgelerde geleneksel OPC kullanılabilir.

İkinci önemli yön, maske 3B etkileri ve fotoresist davranışı gibi çoklu fiziksel etkilerin daha doğru modellenmesidir. Üçüncü yön AI/ML destekli ters tasarımdır. Dördüncü yön GPU merkezli hesaplama altyapısıdır. Beşinci yön çok ışınlı maske yazıcıların olgunlaşmasıdır. Son olarak açık veri kümeleri ve dijital ikizler, özellikle gerçek üretim verisine erişemeyen araştırma ekiplerinin ILT modellerini geliştirebilmesi için potansiyel araçlar olarak ele alınmaktadır.

Çalışmanın desteklediği sonuçlar

• ILT, klasik kenar hareketine dayalı OPC'ye kıyasla maskeyi daha geniş bir geometrik çözüm uzayında optimize eden ters tasarım yaklaşımıdır.
• Level-set, piksel tabanlı, frekans alanlı eğrisel ve makine öğrenmesi destekli ILT yaklaşımlarının farklı hesaplama ve üretilebilirlik özellikleri bulunmaktadır.
• GPU hızlandırma ile çok ışınlı maske yazma teknolojisinin gelişmesi, ILT'nin endüstriyel uygulanabilirliğinin artmasında önemli rol oynamıştır.
• Derlemede incelenen literatür, ILT'nin hotspot düzeltmenin ötesinde SRAF, tam-yonga ve EUV bağlamlarında değerlendirildiğini göstermektedir.
• Hesaplama maliyeti, maske üretilebilirliği, model kalibrasyonu ve veri erişimi çözülmemiş önemli problemlerdir.

Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar

• Bu derleme yeni bir yarı iletken proses düğümü üretmemiş veya yeni bir tam-yonga ILT deneyi gerçekleştirmemiştir.
• Derlemede aktarılan hızlanma oranları ve süreç penceresi iyileştirmeleri bütün ILT yöntemleri için evrensel performans garantisi değildir.
• Makine öğrenmesi destekli ILT'nin bütün ileri düğümlerde klasik fizik tabanlı ILT'den üstün olduğu kanıtlanmamıştır.
• Curvilinear ILT maskelerinin tüm üretim tesislerinde aynı maliyet ve verimle uygulanabileceği gösterilmemiştir.
• Derlemenin endüstriyel kullanım değerlendirmeleri bağımsız bir küresel üretim sayımı değildir; yazarların literatür ve sektör perspektifine dayalı sentezidir.
• Çalışmada Türkiye yarı iletken üretim altyapısına ilişkin özel uygulama veya performans verisi bulunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Çalışma tasarımı

Bu makale deneysel çalışma değil, narratif/sistematik kapsamlı teknik derleme niteliğindedir. Yazarlar ILT'nin matematiksel prensiplerini, tarihsel gelişimini, ana algoritmik uygulamalarını, endüstriyel örneklerini ve gelecek araştırma yönlerini literatür ve sektör kaynakları üzerinden sentezlemektedir.

Makale yeni wafer deneyi, yeni maske imalatı, yeni veri seti veya yeni istatistiksel analiz sunmamaktadır. Yazarların Data Availability Statement bölümünde açıkça belirtildiği üzere bu çalışma kapsamında yeni veri oluşturulmamış veya analiz edilmemiştir.

İncelenen temel teknik eksenler

Derlemede öne çıkarılan sayısal örnekler

Kaynak, önceki çalışmalardan çeşitli nicel sonuçları aktarır. Bunlar mevcut derlemenin yeni ölçümleri değildir:

• Çok alanlı wavefront-error-aware SMO bağlamındaki Hybrid Dynamic Priority algoritması için görüntü uniformitesinde %31,1'e kadar iyileşme aktarılmaktadır.
• 2017'de raporlanan DRAM tam-yonga ILT uygulamasında depth of focus için yaklaşık %20 artış ve CD hatalarının 5 nm altında tutulduğu bildirilmektedir.
• D2S'nin 2019 tarihli örneğinde tam-yonga ILT için yaklaşık 48 saat hesaplama ve yaklaşık 12 saat maske yazma süresi aktarılmaktadır.
• ML-assisted ILT için derleme, bazı çıkarım uygulamalarının klasik yöntemlere göre 10–100 kat daha hızlı olabildiğini belirtmektedir; bu ifade yönteme ve kullanılan çalışmaya bağlıdır.
• GPU tabanlı ILT için derlemede 10 katın üzerinde hızlandırma örnekleri ve NVIDIA cuLitho bağlamında 40 kata kadar hızlanma aktarılmaktadır.
• IMS MBMW-101 için 262.000 eşzamanlı ışın kullanıldığı; elektronların son enerjisinin 50 keV ve projeksiyon küçültmesinin 200× olduğu açıklanmaktadır.

Bu değerlerin birbiriyle doğrudan benchmark karşılaştırması yapılmamalıdır; farklı çalışmalar, düğümler, donanımlar, maskeler ve test koşulları söz konusudur.

Şekil 7'nin bilimsel mesajı

Şekil 7, klasik OPC ve TrueMask ILT için doz–defocus koşullarındaki süreç pencerelerini karşılaştırıyor. Görselin üst kısmında iki yöntemin kabul edilebilir kritik boyut aralıkları, alt kısmında ise ilgili koşullardaki SEM görüntüleri yer alıyor. Derlemenin amacı, ILT'nin yalnız nominal odakta değil değişen süreç koşullarında da kullanılabilecek daha geniş bir çözüm alanı sağlayabildiğini göstermek. Ancak burada verilen sonuç belirli bir kaynak çalışmasına aittir ve tüm ILT uygulamalarına genellenemez.

Şekil 9 ve 10'daki yayın eğilimi

Şekil 9, Web of Science üzerinde “inverse lithography technology” konu aramasıyla elde edilen yıllık yayın sayılarının yazarlar tarafından derlenmiş dağılımını gösteriyor. Grafikte 2000'li yılların ortasında belirgin artış, sonraki dalgalanma ve 2020 sonrasında yeniden güçlü yükseliş görülüyor. Şekil 10 ise 2021 tarihli bir ILT derlemesinin kaynaklarının yıllara göre dağılımını kullanarak tarihsel araştırma yoğunluğunu dolaylı biçimde karşılaştırıyor.

Editoryal uyarı: Şekil 9 ile onu açıklayan metin arasında yıl uyuşmazlığı bulunmaktadır. Grafik 28 yayını 2009 için gösterirken metin bu zirveyi 2010 olarak tanımlamaktadır. Bu nedenle Verianla yayın sayısı zirvesini tek bir yıl için kesinleştirmemektedir.

Şekil 13'teki MBMW mimarisi

Şekil 13, elektron kaynağı, condenser optics, data link, aperture plate system, projection optics, stopping plate, deflectors, 6-inch mask ve scanning stage bileşenlerini içeren çok ışınlı maske yazma zincirini şematik olarak göstermektedir. Ana mühendislik mesajı, tek bir elektron ışınının programlanabilir büyük bir mikro-ışın dizisine bölünmesi ve tüm dizinin maske üzerinde hassas biçimde yönlendirilebilmesidir.

Şekil 15'teki GPU sonucu nasıl yorumlanmalı?

Şekil 15, ILT/litografi simülasyonundaki farklı hesaplama bileşenleri için CPU ve GPU hızlarını karşılaştıran kaynak bir endüstri sunumundan alınmıştır. Görsel, wafer ve resist hesapları başta olmak üzere çeşitli bileşenlerde GPU'nun yüksek paralel performans avantajını göstermektedir. Bu grafik 2020 tarihli kaynak sunuma dayanır; mevcut derlemenin gerçekleştirdiği kontrollü benchmark değildir.

Kaynak içi şekil numarası tutarsızlığı

Makalenin teşekkür bölümünde Johannes Leitner ve IMS Nanofabrication'a, “Electron optical concept of MBMW” ve “MBMW product portfolio including target nodes” görsellerini yeniden kullanma izni için teşekkür edilmekte ve bunlar “Figure 1” ve “Figure 3” olarak adlandırılmaktadır. Ancak mevcut PDF ana gövdesinde bu içerikler sırasıyla Şekil 13 ve Şekil 16 olarak yer almaktadır. Bu durum makalenin sonuçlarını değiştirmeyen, fakat bibliyografik/görsel izlenebilirlik açısından belirtilmesi gereken bir numaralandırma tutarsızlığıdır.

Derlemenin üç temel açık araştırma problemi

Sonuç bölümündeki outlook kutusu üç temel açık problemi özellikle öne çıkarır:

1. Hesaplama hızlandırması: Tam-yonga ILT için daha hızlı algoritmalar ve GPU-merkezli hesaplama gereksinimi.
2. Maske üretilebilirliği: Eğrisel ILT geometrilerinin yüksek verimle ve kabul edilebilir maliyetle yazılabilmesi.
3. Doğru çok-fizikli modelleme: EUV, maske üç boyutlu etkileri, resist ve litografi–etch etkileşimleri gibi gerçek süreç etkilerinin daha iyi modellenmesi.

Derlemenin genel sonucu, ILT'nin geleceğinin tek başına daha iyi bir optimizasyon algoritmasına değil; fizik modeli, EDA yazılımı, yapay zekâ, GPU donanımı, maske yazma teknolojisi ve üretim verisinin birlikte gelişmesine bağlı olduğudur.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Inverse Lithography Technology (ILT) Under Chip Manufacture Context

Yazarlar: Xiaodong Meng; Cai Chen; Jie Ni.

Yazar sırası: Xiaodong Meng birinci yazar, Cai Chen ikinci yazar, Jie Ni üçüncü yazardır.

Eş katkı / eş birinci yazar: Kaynakta eş birinci yazar veya eş katkı bildirimi bulunmamaktadır.

Sorumlu yazar: Xiaodong Meng.

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

Dergi: Micromachines.

Cilt / sayı / makale numarası: 17(1), 117.

DOI:10.3390/mi17010117

Yayınevi: MDPI, Basel, Switzerland.

Kaynak türü: Review / derleme makalesi.

Hakemlik durumu: Hakem değerlendirmesinden geçmiş ve yayımlanmış derleme makalesidir.

Yayın süreci: 17 Aralık 2025'te alınmış, 26 Aralık 2025'te revize edilmiş, 28 Aralık 2025'te kabul edilmiş ve 16 Ocak 2026'da yayımlanmıştır.

Özel sayı: Recent Advances in Lithography.

Resmî yayın bağlantısı:MDPI resmî makale sayfası

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

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmektedir.

Veri erişilebilirliği: Bu derleme kapsamında yeni veri oluşturulmamış veya analiz edilmemiştir; bu nedenle yeni bir araştırma veri seti paylaşımı uygulanabilir değildir.

Çıkar çatışması: Üç yazar da Advanced Manufacturing EDA Co., Ltd. bünyesinde çalışmaktadır. Yazarlar, araştırmanın potansiyel çıkar çatışması olarak değerlendirilebilecek ticari veya finansal ilişkiler bulunmadan yürütüldüğünü beyan etmektedir.

Yazar katkıları: Xiaodong Meng — Conceptualization ve investigation; Cai Chen — methodology, investigation ve validation; Jie Ni — supervision. Tüm yazarların yayımlanan sürümü okuyup onayladığı belirtilmiştir.

Bilimsel içerik sınırı: Bu çalışma yeni deneysel veri üretmeyen bir derlemedir. Verianla makalesindeki ILT ilkeleri, yöntem sınıflandırmaları, matematiksel ifadeler, tarihsel anlatı, performans örnekleri ve endüstriyel değerlendirmeler yüklenen derlemenin içeriğine dayanmaktadır. Dış kaynaklardan yeni deneysel ILT sonucu eklenmemiştir. Derlemede başka araştırmalardan aktarılan performans sayıları mevcut makalenin kendi deneysel bulguları olarak sunulmamıştır.

Kaynak içi tutarsızlık notu 1: Metin, yıllık ILT yayınlarının 2010'da yaklaşık 28 ile zirve yaptığını belirtirken Şekil 9'da 28 yayın 2009'a, 2010 ise 12 yayına karşılık gelmektedir. Bu uyuşmazlık kaynakta mevcuttur ve sessizce düzeltilmemiştir.

Kaynak içi tutarsızlık notu 2: Teşekkür bölümünde MBMW görselleri “Figure 1” ve “Figure 3” olarak anılırken PDF ana gövdesinde ilgili görseller Şekil 13 ve Şekil 16 olarak numaralandırılmıştır.

Görsel kullanım notu: Kaynak makale CC BY lisanslı olsa da bazı görseller başka kaynaklardan izinle yeniden üretilmiştir. Bu Verianla içeriğinde özgün kaynak görseller bire bir kopyalanmamış; yöntem akışı yalnız kaynak içeriğine dayalı görünür HTML tablo ve Verianla Live süreç gösterimi ile açıklanmıştır.