近日，中国科学院上海光学精密机械研究所信息光学与光电技术实验室在极紫外光刻的计算光刻技术研究方面取得进展，针对极紫外光刻提出了一种基于厚掩模模型和社会学习粒子群算法(social learning particle swarm optimization, SL-PSO)的光源掩模优化技术(Source and mask optimization, SMO)。仿真结果表明该技术的优化效率优于国际上常见的基于启发式算法的SMO技术。相关研究成果已发表在Optics Express。

　　光刻是极大规模集成电路制造的关键技术之一，随着集成电路图形的特征尺寸不断减小，光学邻近效应会显著降低光刻成像质量。在光刻机软硬件不变的情况下，采用数学模型和软件算法对照明光源、掩模图形与工艺参数等进行优化，可有效提高光刻分辨率/增大工艺窗口，此类技术即计算光刻技术（Computational Lithography），被认为是二十一世纪推动集成电路芯片按照摩尔定律继续发展的新动力。极紫外光刻技术是目前最先进的光刻技术，已被应用于5nm工艺节点的芯片量产中。由于极紫外光刻具有掩模厚度远大于光源波长，光学系统为反射式等特点，其相应的计算光刻技术和传统技术具有较大差异，是国际研究热点。

　　SMO技术是一种重要的计算光刻技术，通过同时优化光源和掩模图形提高光刻成像质量。中国科学院上海光机所研究团队针对极紫外光刻提出了一种基于厚掩模模型和SL-PSO算法的SMO技术。将基于结构分解的极紫外光刻厚掩模快速模型应用于像素化掩模图形的成像仿真中，相比于薄掩模模型提高了光刻成像仿真的精度，同时掩模图形的优化结果得到了严格电磁场仿真的验证。采用SL-PSO算法优化光源和掩模图形，通过社会学习的策略提高了优化效率。通过控制初始化参数来调整SL-PSO算法中的初始化粒子群，在提高优化效率的同时提高了优化后掩模图形的可制造性。对多个掩模图形进行验证，仿真结果表明该技术的优化效率优于国际上常见的基于启发式算法的SMO技术。

　　相关研究得到了国家02科技重大专项和上海市自然科学基金项目的支持。