光学光刻、极紫外光刻和纳米压印光刻中的缺陷预测

编者按：本文编译自台湾大学研究团队发表于《Electronics》期刊的综述论文，原标题为“From Lithography to Nanoimprint: Physics-Based, Data-Driven, and Hybrid Frameworks for Defect Prediction in Advanced Patterning Technologies”。

台湾大学化学工程系研究团队近日发表综述论文，系统回顾了从传统光学光刻到极紫外光刻（EUVL）和纳米压印光刻（NIL）的演进过程中，缺陷预测方法的演变与发展。文章以光学邻近效应校正（OPC）为中心视角，比较了基于物理的框架、数据驱动框架及两者混合框架在三种先进图形化技术中的应用。

研究背景

先进图形化技术已从直接光学图像转移发展为预测性制造框架。在这一框架中，缺陷由成像物理、材料响应、工艺变化和计算校正共同决定。论文追溯了从分辨率增强技术（RET）和OPC的发展历程，阐述了传统光学光刻如何成为现代计算光刻的基础。

三种光刻技术的缺陷机制差异

光学光刻：缺陷主要源于衍射限制、邻近效应和工艺窗口变化，可通过OPC等几何校正方法进行补偿。

极紫外光刻（EUVL）：引入了随机光刻胶响应、光子有限变异性和掩模3D效应等新缺陷机制，不再完全遵循几何驱动的校正逻辑。

纳米压印光刻（NIL）：缺陷来源转向光刻胶填充、残余层变化、模板相互作用、粘弹性变形和脱模过程等材料与工艺状态相关因素。

三种预测框架对比

1. 基于物理的框架

提供机制层面的可解释性，在光学光刻领域最为成熟——OPC和计算光刻的发展使物理模型成为工业级校正工具。在EUVL中，物理模型需考虑随机效应和反射式掩模特性，但全芯片缺陷预测仍面临计算和统计挑战。在NIL中，物理模型聚焦于聚合物流变、毛细填充、接触力学和界面演化等过程。

2. 数据驱动框架

能够实现快速模式识别、热点检测、布局到图像的预测以及不确定性感知筛选。在光学光刻中应用最为成熟，尤其是基于卷积神经网络（CNN）的热点检测。在EUVL中，数据驱动方法有助于从大量晶圆或SEM数据中提取随机缺陷的系统性趋势。在NIL中，数据驱动方法仍处于早期阶段，主要受限于数据集规模小和难以标准化。

3. 混合物理-机器学习框架

论文指出，混合框架是未来最有前景的方向，通过协同结合物理约束、仿真知识和数据驱动推理，能够兼顾物理可解释性与计算效率。

论文要点

研究强调，先进图形化技术的缺陷预测正在从“轮廓校正”向“物理基础扎实、数据高效、具有不确定性感知”的预测范式转变。论文提出的三个核心问题贯穿全文：不同技术产生哪些缺陷？这些缺陷能否通过基于几何的校正补偿，还是需要工艺状态预测？哪种建模框架最适合可靠且可迁移的预测？

论文总结了这些框架在三种光刻技术中的作用、优势、局限性和当前成熟度，如下表。

论文发表于《Electronics》期刊2026年第15卷第15期，DOI: 10.3390/electronics15153355。