翻譯自——EEjournal，Bryon Moyer

任何人對人工智能都有著自己的看法，而Mentor Graphics在今年夏天的DAC上討論了關于AI的2個立場。作為一家EDA公司，他們有兩個特定的機會來發現人工智能的價值。一是改進他們提供的設計工具;另一個是專門為人工智能設計創建設計工具。我們今天要講第一個角度。

因此，對于這個故事，人工智能本身并不是終點;這將是達到目的的手段。人工智能已被用于生產車間，以幫助提高產量和減少設備損耗，但這依賴于晶圓廠的數據。今天，我們正從生產環境向設計領域的上游邁進。我們將特別關注Mentor如何利用人工智能在晶圓廠內進行光學鄰近效應矯正(OPC)和制造設計(DfM)。

AI+OPC

讓我們從OPC說起。對于任何新概念來說，由于硅尺寸太小，無法用光刻波長193nm打印，所以我們用了一些技巧。問題是，芯片特征尺寸如此之近，以至于影響了彼此形狀的保真度。因此，這些形狀被修改了——或者添加了“輔助功能”——以欺騙光線，讓它照出我們想要的效果。

OPC通常使用確定性模型來完成，該模型允許工具創建修改后的模式。但Mentor表示，OPC面臨四大挑戰:

1. 精度

   
   

2. 周轉時間(TAT)

   
   

3. 工藝窗口增強

   
   

4. 生產力

有兩家公司運用了人工智能來解決這一問題。為了達到所需的精度，在24小時內完成OPC所需的內核數量正在急劇增加。他們把人工智能看作是一種降低這種風險的方法。

OPC是一個迭代過程，需要在10-15次迭代的范圍內收斂。Mentor的方法是使用機器學習一次性處理前十次的迭代。這可能不會是一個很理想的光罩（mask）方法，但它會變得更接近。然后，可以使用傳統迭代，只需幾次就可獲得最終結果。

正如你從圖中所看到的，24小時循環所需的核心數量下降了三分之二。另一種說法是，帶有人工智能的TAT是傳統方法的三分之一，同時提高了精確度。

用于訓練模型的數據是基于最初的晶圓設計測量。為了確定整個工藝窗口，我們進行了實驗設計(DoE)來擴展數據集，新的設計可以利用該模型進行OPC。

模型的演變

當然，人工智能的一個有趣的特點是永無止境的學習。得到的數據越多，模型就越好。因此，從理論上講，人們可以在最初批量生產的基礎上繼續獲取制造數據，并將其納入人工智能模型中，以便隨著時間的推移不斷改進。

但這里有個問題。

假設你的流片設計已經搞定，但發現需要進行更改。當你激活工程變更命令(ECO)流程并進行調整時，它需要生成一個新的掩碼，這就需要OPC的幫忙。在這個情況下, 我們假設OPC AI模型被用于這個調整后的設計已經超越了最初的掩模集。所以現在，當你運行OPC時，你可能不僅會改變電路中受ECO影響的部分，而且會改變整個掩模。

這樣可以嗎?你相信人工智能模型的進化只會改善這件事情嗎?或者，你是否會以一些曾經有效的東西不再有效而告終?盡管有很多意想不到的事情發生了改變，但它變得更好了。但是現在是否需要運行一些測試來確保沒有損壞?這違反了基本原則，“如果它沒有壞，就不要修理它!”“那你該怎么處理呢?”

Mentor好像還沒有一個拿得出手的方針。他們指出，當發現新的壞點時，首要任務是進行選擇性的生產調整，以盡可能提高產量。但這種變化可以被應用到人工智能模型中，讓它能夠凸顯出模具中更多的問題區域。因此，“持續學習”模式是切實可行的。

我提出了一種可能的處理方法，他們表示認同。——版本鎖定。對于設計工具來說，這是一個已經存在的概念，因為新版本可能會更改算法，而在設計過程中更改版本可能會撤消所有已經完成的收斂工作。因此，你可以在設計的整個生命周期中鎖定工具版本，在下一次設計時移動到新版本。

這也可以用OPC(或任何其他)AI模型來實現:將模型的版本鎖定到設計中，以便將來對該設計所做的任何工作都將使用相同的AI模型。也就是說，可能有一個例外:如果這個設計揭示了新的壞點——模型最初被改變的原因。調整制造是理想的方法，但是，如果它本身還不夠，你可能需要改變光罩以消除壞點。在這種情況下使用新模型是有意義的。

綜上所述，我覺得我們正在進入一個不穩定的領域，所以可能有一些法則規定了在這種情況下應該做什么。

首先，必須承認對于應用于哪個產品存在困惑。它看起來很像DRC，但實際上它是用于庫驗證的。換句話說，這不是一個你作為設計師會使用的工具;這是晶圓廠在組裝電路庫時使用的工具。是為了通過圖案找到限制產量的壞點，而這些通常需要在一夜之間完成。完整的模擬花費的時間太長，因此在運行期間會采樣并檢查脆弱模式。這些易受攻擊的模式可以在模式庫中找到(與正在驗證的電路庫分離)。

創新之處在于，他們不再使用庫來進行諫檢驗，而是使用它來訓練一個AI模型，然后使用AI模型來檢出電路庫。這帶來了幾個好處：首先，如果他們只使用庫中的模型進行簽出（checkout），那么你將只能在設計中找到那些特定的模式。但是，使用人工智能，可能會發現不在庫中放其他類似的模式。所以得到了更好的質量和更高的產量。

另一個好處是，現在簽出運行速度比使用傳統模型快10倍。這種說法有一定的道理。進行完整的庫模擬需要很長時間，這就是為什么簽出常常限于特定的已知壞點。在抽樣壞點時，覆蓋范圍并不全面。所以當我們說人工智能輔助版本要快10倍的時候，我們在和哪個東西比較呢?據 Mentor介紹，他們首先確認AI版本是詳盡的，而10x的比較是與完整模擬的比較——也就是說，我們在進行新版和舊版的比較。

延伸閱讀

OPC技術背景

在半導體制造中，隨著設計尺寸的不斷縮小，光的衍射效應變得越來越明顯，它的結果就是最終對設計圖形產生的光學影像退化，最終在基底上經過光刻形成的實際圖形變得和設計圖形不同，這種現象被稱為光學鄰近效應(OPE：Optical Proximity Effect)。

為了修正光學鄰近效應，便產生了光學鄰近校正(OPC：Optical Proximity Correction)。光學鄰近校正的核心思想就是基于抵消光學鄰近效應的考慮，并建立光學鄰近校正模型，根據光學鄰近校正模型設計光掩模圖形，這樣雖然光刻后的光刻圖形相對應光掩模圖形發生了光學鄰近效應，但是由于在根據光學鄰近校正模型設計光掩模圖形時已經考慮了對該現象的抵消，因此，光刻后的光刻圖形接近于用戶實際希望得到的目標圖形。

壞點 Hot Spot

在集成電路制造中，經過OPC處理過的版圖，在發送到掩模廠制造掩模之前，還需要進行驗證，就是對OPC處理過的版圖做仿真計算，確定其符合工藝窗口的要求。不符合工藝窗口要求的部分被稱為壞點，壞點必須另行處理以符合工藝窗口的要求。

壞點修復

解決壞點的過程被稱為“hot spot fixing”。在k1比較小的光刻層，第一次OPC處理后的壞點有十幾萬到幾十萬個。對壞點區域圖形的審查和評估是一項浩繁的工作。壞點的解決一般由OPC工程師負責，通過調整OPC來解決。有些壞點是全局性的，通過修改OPC中的評價函數和規則，可以一起解決。而有些壞點有一定的特殊性，規則的改變會導致其他地方形成壞點。這些壞點必須通過局部的修改來解決，這一過程非常耗時。解決壞點時要充分利用壞點周圍的空間，可以給線條加寬、延長或者添加輔助圖形。

常用的壞點解決辦法示意