7.2 源掩模联合优化：光源与掩模一起调
7.2 源掩模联合优化：光源与掩模一起调
第 2 章的增强技术是"手工定照明、手工定掩模"，本节的 SMO（源掩模联合优化）把它们合成一个数学问题：光源瞳形与掩模图形同时作为变量，让关键图形的工艺窗口最大化。SMO 是计算光刻的招牌应用，也是先进节点每一代工艺开发的第一步。
为什么必须联合，而不是先后调
照明决定哪些衍射级次高效参与成像，掩模决定衍射谱本身——两者在频域里互相定义"最优"。先定照明再修掩模（老流程）会掉进局部最优：为环形照明设计的掩模修正，换四极照明后可能整体失准。联合优化的思路是把两件事放进同一个目标函数里同时搜索，往往能找到"照明为这批图形量身定做、掩模为这套照明反向配合"的组合拳，窗口增益比分开调高出可观的一截。
问题定义：变量、约束与目标
SMO 的变量表：光源侧是瞳形（用 Zernike 系数或自由瞳网格描述形状、偏轴量、σ、偏振态），掩模侧是主图形修正与 SRAF 的插入/尺寸（先进流程直接用 ILT 自由轮廓）。约束来自制造现实：光源形状必须可由瞳面元件实现；掩模图形必须过 MRC（最小线宽、最小间距，掩模写得出）；SRAF 必须保持不成像。目标函数通常不是"单点最优"而是"窗口最优"：在一组 dose 与 focus 的偏移网格上，最大化所有关键图形保持规格的窗口面积，等价于同时优化 NILS、DOF 与曝光容忍度（EL）。
# SMO 优化的概念骨架：窗口面积最大化 def window_area(params, patterns, simulate): source, mask_mods = params total = 0 for pat in patterns: # 关键图形库 ok = 0, 0 grid = [(dose, focus) # dose 与 focus 的二维网格 for dose in np.linspace(0.9, 1.1, 21) for focus in np.linspace(-60, 60, 25)] for dose, focus in grid: cd = simulate(pat, source, mask_mods, dose, focus) if spec_lo <= cd <= spec_hi: # 规格内 ok = ok[0]+1, ok[1]+1 total += ok[1] / len(grid) # 该图形的窗口占比 return total / len(patterns) # 平均窗口面积，越大越好
图：SMO 的闭环流程与变量表
SMO 在工艺开发里的位置
SMO 发生在设计规则冻结前后：它的输入是关键图形库（由版图统计分析挑出的代表性 pattern），输出是瞳文件与掩模数据。所以它上承设计规则（规则太极端会让 SMO 无解），下接掩模制造（输出必须过 MRC）与机台（瞳文件要烧成瞳面元件配置）。一个节点开机，SMO 与设计规则、曝光设备选型同期进行，是"光刻方案定型"的标志性工序。理解这一点就理解了为什么光刻优化会反向改写设计规则——第 9 章 DFM 的核心场景正源于此。
工程边界
SMO 的代价主要是算力与通用性。窗口目标函数在 dose-focus 网格上反复仿真，一轮优化动辄数千万次成像评估；自由瞳与 ILT 的组合更是吃满集群。同时，为关键图形库定制的光源对"库外的图形"未必友好——SMO 输出的通用性取决于图形库的代表性，这又回到设计规则与版图统计的博弈。工具商的路线是把 SMO 做成"每次全芯片 OPC 的一部分"，让优化跟随每一层掩模数据滚动更新。
SMO 输出的落地检查
算法给出的最优瞳形与掩模不能直接投产，要过四道落地检查：瞳面可实现性（瞳形离散成瞳面元件配置或自由瞳下载文件，强度分布是否在机台动态范围内）；能量与产能（强偏轴瞳形损失透光能量，曝光时间变长，产能账要重算）；掩模可写性（ILT 轮廓忠化后 MRC 复查，掩模写入时间与成本重估）；跨机台一致性（瞳形在多台机台上的复现误差，决定该方案能不能上量产排产）。四道检查常有否决权——SMO 的价值不在算法输出的理论最优，而在通过四道检查后的次优。这是"最优化"学科在制造业的典型落地形态：约束往往比目标函数更有决定权。
从 SMO 到 ILT 的演化再往下看
SMO 解决"瞳形与掩模 jointly 定"，ILT 再进一步"掩模逐像素反解"。这条演化线的下一站是全流程闭环：设计端的热点预判、光刻端的 SMO/OPC、量测端的模型校准连成一条数据流水线，模型随每一批晶圆的实测数据滚动更新。更远一步的设想是"工艺感知设计"——设计工具内置光刻模型，布局布线阶段就实时评估每个图形的窗口，把可制造性从"事后检查"变成"事内约束"。这条路线的障碍是算力与流程主权的博弈（晶圆厂的模型要不要给设计公司用、给多准），技术之外的问题往往比技术本身更难收敛。
SMO 结果的跨层一致性检查
单层最优瞳形堆叠起来未必是全芯片最优：不同层的瞳形差异会放大机台间的配置切换成本与匹配难度。工厂级的 SMO 评审要加一道"跨层检查"——瞳形家族尽量归并（同一族瞳形覆盖多层），以减少机台配置切换与匹配组合爆炸。这是典型的"局部最优之和尚需全局协调"问题，也是 SMO 落地阶段最耗时的部分。算法解决单层问题，工程解决层间问题，两者合起来才叫落地。
优化算法的选择题
SMO 的优化问题非凸且变量多，算法选择是务实问题：早期用坐标下降与局部搜索（稳定但易陷局部最优），后来引入梯度基方法（利用仿真器的伴随求解器加速），近年试探机器学习代理模型（用神经网络替代昂贵仿真做初筛）。工程上没有全能算法，常见的组合是"代理模型粗搜 + 精确仿真细调"。算法的进步每天都在改变 SMO 的算力成本曲线，但问题的物理约束结构十年未变——工具会老，问题常新，这是计算光刻从业者的长期饭票。
本节要点回顾
- 联合优于先后：照明与掩模在频域互相定义最优，同场协商才有全局解。
- 变量：瞳形/σ/偏振加掩模偏置/SRAF/ILT 轮廓；约束：可实现与 MRC。
- 目标函数是窗口面积：dose-focus 网格上的全体关键图形合格率，NILS 与 DOF 兼顾。
- SMO 在设计规则冻结前后进行，输出瞳文件与掩模数据，是节点定型的标志工序。
- 代价是算力与通用性，图形库的代表性决定 SMO 方案的覆盖面。
光源和掩模都优化完了，剩下的问题是：这个工艺到底有多"皮实"？下一节把稳健性画成一张图。