在最近举行的 SPIE 光掩模技术与极紫外光刻会议上，一个专家小组讨论了边缘定位误差（EPE）日益重要的意义。我很高兴与 IBM 的主持人 Jed Rankin，以及来自 Carl Zeiss SMT 的 Hans Stiepan、Micron Technology 的 Ezequiel Vidal-Russell、ASML 的 Jo Finders、Tekscend 的 Il-Yong Jang 和 Applied Materials 的 Vivek Balasubramanian 一起参加讨论。我们从 OPC 和 EDA、掩模技术、光刻系统、材料以及量测等多个角度分享了观点。一个结论很快变得清晰：EPE 已不再只是一个狭义的光刻指标。它正在成为衡量整个行业能否把设计意图转化为可制造、高良率器件的系统级指标。掩模、扫描仪、光刻胶、刻蚀工艺、量测、OPC 以及下游集成都在其中发挥作用。每个学科都可以优化自己的部分，但局部最优的集合并不一定能产生最佳器件——即便每个人都带着一页很精彩的幻灯片，说明自己的部分已经优化到位。
EPE 已经变成一个系统问题
随着节距缩小变得越来越困难，对位置、变异性和图形保真度的更严格控制，正成为继续缩放的主要路径之一。问题在于，EPE 是一个没有上限的预算。掩模三维效应、吸收层轮廓、侧壁角、关键尺寸均匀性、对准、扫描仪行为、光刻胶变异性、刻蚀、随机效应、工艺引入的应力，甚至晶圆或芯片键合，都可能移动边缘或改变其电学后果。不过，现场调查给出了一个非常熟悉的结论：OPC 被认为既是 EPE 的主要来源，也是未来降低 EPE 的首要手段。换句话说，OPC 同时被塑造成了反派和超级英雄。Jed 顺势开玩笑问我和 Ezequiel 需要行业其他部分提供什么，才能承担起这种超级英雄式的责任。到最后一轮投票时，对 OPC 的信心升至 58%，这也引出了一个预测：下次我可能会穿着紧身衣出场。我很乐意接受这份信任；至于披风，倒是可以商量。
EDA 的挑战：不要把残余误差都塞进一个大篮子里
如今，许多难以单独分离的效应都会被归入经验修正、规则表，或者一个“刻蚀”项中。这种做法务实，而且在量产中往往是必要的，因为可重复性、运行时间、良率和进度通常比完美解释更重要。Ezequiel 很好地概括了这种两难：看到投票结果后，他不确定 OPC 社区到底该感到鼓舞还是担忧。观众显然希望 OPC 负责处理所有系统性、可修正的效应，并且在可能的情况下，也要降低对不可修正效应的敏感度。对任何“超级英雄”来说，这都是一份相当艰巨的工作。但即便是 OPC，也需要良好的物理基础、良好的数据和工艺窗口；它不可能凭空一跃就跨过一个不准确的模型。随着公差收紧，我们塞进修正项里的那些效应，相对于剩余工艺窗口而言会变得越来越大。因此，EDA 必须更完整地表征真实制造系统：不是一个理想化、属性均匀的掩模，而是要包含与图形相关的掩模轮廓、真实的量测行为、扫描仪效应、工艺变异性，以及它们之间的相互作用。
不是更多数据，而是更好的数据
仅仅增加数据并不是答案。我们需要的是具有物理意义、在制造上足够可重复、并且与晶圆上关键图形相关联的数据。单张 SEM 图像所包含的信息，远远多于一个提取出来的 CD 值。轮廓、形貌、粗糙度、位置、局部几何以及图形上下文，都可以帮助建立更好的模型。同时，没有哪座晶圆厂能测量一切。OPC 和工艺模型应帮助识别对晶圆最敏感的图形，排序热点，并把这种敏感性转化为掩模和晶圆量测需求。这样就形成了一个关键闭环：建模指导测量，测量改进建模，而两者都把资源集中到与良率相关的问题上。
AI 必须与物理和验证结合
我认为，人工智能将在未来的 EPE 降低中带来最大收益之一。机器学习可以捕捉那些难以直接建模的残余系统性行为，而智能体系统则可以协调传统上彼此分离的领域之间的优化。但半导体制造不能依赖一个无法解释的黑箱。一个声称 EPE 为零、却无法说明其可信度的模型，并不适合量产。前进方向应当是可解释的 AI：以严格仿真为基础，用合适的量测进行验证，受已知物理规律约束，并持续监控其可安全应用的条件。
智能体系统应先解决定义明确的工程问题
不应把智能体 AI 放任到整个生态系统中，指望它自己发现全局最优。其落地将从定义明确的问题开始：降低全局 CDU、选择稳健的掩模几何、联合优化光源与掩模、优先安排量测，或把图形变化与电学影响连接起来。对于每个问题，都必须定义目标、所需数据、系统可调的参数、物理约束以及验证标准。信心会先在局部建立，成功的智能体随后再被连接进更广泛的工作流。
EDA 必须把 EPE 与功耗、性能、面积、成本和良率联系起来
客户卖的不是 EPE，而是由功耗、性能、面积、成本和良率定义的产品。有些 EPE 限制是硬性的几何边界：一旦越过，结构就会短路、开路或失效。另一些误差则处于灰色地带，其重要性取决于器件行为。EDA 有机会弥合这一差距，把电学仿真、随机分析、光刻、掩模优化、工艺建模和设计工艺协同优化整合到一个共同的决策流程中。目标并不是让所有地方的几何误差都最小，而是把工艺裕量分配到能创造最大产品价值的地方。
图 1：采用随机建模技术的工艺仿真，可以在版图掩模制作之前预测会导致设计出现电学问题的工艺特征。
协作是从局部优化走向全局优化的路径
晶圆代工厂和 IDM 处于这一机会的中心，因为它们能看到完整的制造流程，并掌握连接掩模、扫描仪、工艺、器件和良率的数据。EDA 提供商需要与它们，以及与掩模制造商、量测供应商和光刻设备供应商建立更深入的合作。这些合作必须支持安全且有目的的数据与上下文共享，而不是为了收集数据而收集数据。最有价值的协作将定义共同的 EPE 框架，揭示相关的工艺敏感性，优先识别主要贡献因素，并在每个误差仍可被理解和纠正的阶段建立闭环反馈。
行业的一个务实方向
- 建立更完整的物理表征。对与图形相关的掩模结构、工艺相互作用、随机行为以及随时间变化的特性进行建模，而不是把它们隐藏在一个单一残差项里。
- 让量测以模型为驱动，并与器件相关。利用 OPC 和仿真识别敏感图形，然后测量那些对晶圆性能影响最大的区域和属性。
- 把 AI 与严格仿真结合起来。用机器学习捕捉残差并加速预测，同时由基于物理的模型提供可解释性、边界和验证。
- 先把智能体系统用于边界明确的问题。先定义目标、输入、控制项和成功标准，再扩展到更广泛的工作流。
- 围绕产品结果进行优化。把 EPE 决策与功耗、性能、面积、成本、良率和可制造性联系起来。
- 在整个生态系统中闭环。让 EDA、掩模、量测、扫描仪、代工厂和 IDM 团队围绕共同定义和优先级最高的贡献因素协同工作。
EPE 时代将持续数十年
EPE 的缩放并不是一个短暂阶段。随着行业从平面缩放走向三维集成，并最终走向随时间变化的系统级优化，EPE 的定义还会继续演变。晶圆到芯片键合、新型器件架构、曲线掩模、高数值孔径光刻，以及制造与电学性能之间更紧密的耦合，都会带来新的修正和优化问题。EDA 的机会在于成为这些领域之间的连接智能——把物理、数据和有目的的 AI 结合起来，将碎片化的工艺知识转化为可制造的结果。现场观众或许已经准备好把 OPC 称作 EPE 的救世主，我也很感谢这份信任。但真正的超能力，将来自于为 OPC 提供更好的掩模知识、更好的量测、更好的工艺上下文，以及与器件性能更紧密的联系。这才是我们延续缩放的方式：不是让某一个团队单独披上披风，而是让生态系统中的每一部分协同工作。
Germain Fenger
