Este artículo presenta un enfoque innovador para controlar la uniformidad de la dimensión crítica CD en litografía EUV mediante la optimización dinámica del patrón de iluminación apoyada en un marco de aprendizaje por refuerzo. A diferencia de las técnicas convencionales que emplean patrones de iluminación fijos o precomputados, nuestra propuesta ajusta en tiempo real la iluminación a partir de retroalimentación de metrología in situ, logrando una mejora de aproximadamente 15% en la uniformidad de CD en simulaciones y reduciendo al mismo tiempo variaciones de dosis a lo largo del oblea.
Contexto y motivación: la litografía EUV es la tecnología de referencia para el trazado de circuitos avanzados, pero mantener la uniformidad de CD en toda la oblea sigue siendo un reto crítico. Variaciones en las propiedades del resist, imperfecciones ópticas y fluctuaciones de la fuente introducen desviaciones respecto al patrón deseado que afectan el rendimiento del dispositivo y el rendimiento global de fabricación.
Limitaciones de los métodos actuales: las estrategias tradicionales usan modelados de iluminación en el lado de la fuente, como iluminación anular o dipolo, y correcciones en el lado del retículo mediante OPC. Estas soluciones son mayoritariamente estáticas y no responden a cambios en tiempo real, por lo que no corrigen eficazmente desviaciones dinámicas en propiedades de resist o fallos puntuales del sistema.
Enfoque propuesto: optimización dinámica mediante aprendizaje por refuerzo profundo. Empleamos un agente de DRL que recibe datos de metrología CD en tiempo real y modelos actualizados de rendimiento de resist, y actúa sobre un elemento de conformado del haz para modificar amplitud y fase de un conjunto de componentes programables. El objetivo es minimizar la variación local de CD manteniendo la dosis dentro de límites seguros.
Componentes del sistema: el entorno es un simulador de litografía EUV de alta fidelidad que incorpora modelos de desarrollo del resist, efectos de proyección óptica y ruido de sistema. El agente se basa en una Deep Q-Network que toma como entrada mediciones CD, estimaciones de posición y tilt de máscara, distribuciones de partículas e información de irradiancia. El espacio de acciones controla 128 puntos de mando sobre reflectores programables o elementos difractivos para ajustar amplitudes y posiciones de subhaz.
Función de recompensa y balance entre uniformidad y dosis: la función de recompensa penaliza la desviación local de CD respecto al promedio y penaliza variaciones de dosis, con un factor de ponderación lambda que permite ajustar el equilibrio entre uniformidad y control de dosis. Esta formulación guía al agente hacia soluciones que mejoran LCV sin introducir picos de dosis indeseados.
Modelo matemático de la iluminación: el patrón de iluminación I(x,y,t) se representa como la superposición de haces Gaussianos espacialmente modulados, cada uno con amplitud Ai(t), posición xi, yi y ancho si. El agente ajusta Ai(t) y las posiciones dentro de rangos acotados y la optimización numérica aprovecha multiplicadores de Lagrange y Sequential Quadratic Programming para respetar las restricciones de dosis y estabilidad del proceso.
Diseño experimental y validación: las pruebas se realizaron en simulaciones con 1000 ciclos de entrenamiento y 500 pruebas de validación, introduciendo variaciones de patrón del 15% para desafiar lazo de optimización. Las métricas principales fueron LCV Local CD Variation como desviación estándar de la distribución de CD y DH Dose Homogeneity para medir la homogeneidad de dosis. En las simulaciones, el sistema DRL redujo LCV en torno a 15% respecto a iluminaciones fijas y controles basados en OPC, manteniendo DH en niveles aceptables y una frecuencia de ajuste compatible con capacidad de hardware objetivo.
Escalabilidad e hoja de ruta: en el corto plazo se propone la integración en simuladores para validación offline y el desarrollo de prototipos de ópticas de conformado con reflectores programables capaces de operar en espectro EUV. A medio plazo se prevé la implementación en herramientas de prueba para validación en tiempo real y el desarrollo de metrología in situ de alta velocidad. A largo plazo la integración con sistemas de control avanzado de proceso permitirá despliegues productivos que incluyan módulos predictivos y análisis estadístico para optimizar rendimiento y coste por oblea.
Impacto industrial: la optimización adaptativa del patrón de iluminación mediante agentes IA puede aumentar el rendimiento de obleas, reducir rechazos y disminuir costes de fabricación en nodos avanzados. La combinación de aprendizaje por refuerzo con control numérico riguroso ofrece una vía práctica para corregir variaciones dinámicas que escapan a métodos precomputados.
Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa especializada en desarrollo de software y aplicaciones a medida, expertos en inteligencia artificial aplicada a procesos industriales, ciberseguridad y servicios cloud. Ofrecemos soluciones de software a medida y desarrollos de aplicaciones a medida integrando agentes IA para optimización en tiempo real. Si su proyecto requiere una estrategia de IA para empresas o desarrollo de agentes autónomos, podemos ayudarle a diseñar e implementar la solución adecuada ver servicios de inteligencia artificial. Además trabajamos con arquitecturas cloud en AWS y Azure y desarrollamos plataformas a medida que integran monitorización, automatización y analítica avanzada.
Nuestros servicios complementarios incluyen ciberseguridad y pentesting para proteger infraestructuras críticas, así como consultoría en inteligencia de negocio y visualización mediante power bi para maximizar el valor de los datos. Para proyectos que requieren soluciones personalizadas de desarrollo de software puede consultar nuestra propuesta de desarrollo de aplicaciones y software a medida, donde combinamos experiencia en aplicaciones a medida, servicios cloud aws y azure, y estrategias de inteligencia de negocio.
Conclusión: la optimización adaptativa del patrón de iluminación mediante aprendizaje por refuerzo profundo representa un avance prometedor en el control de CD en litografía EUV. Su capacidad de adaptarse a variaciones en tiempo real lo convierte en una herramienta poderosa para mejorar uniformidad, incrementar rendimiento y reducir costes. En Q2BSTUDIO estamos preparados para acompañar su transición hacia soluciones basadas en inteligencia artificial, software a medida y servicios cloud que habiliten estos avances en entornos productivos.
