[论文解读] Data Efficient Lithography Modeling with Transfer Learning and Active Data Selection

Yibo Lin, Meng Li+5 more|arXiv (Cornell University)|Jun 27, 2018

Advancements in Photolithography Techniques被引用 6

一句话总结

本文提出了一种面向光刻的高效数据电阻建模框架，通过从旧技术节点（如 N10 到 N7）迁移学习，并结合主动学习选择目标节点中的信息量丰富的样本。通过将基于 ResNet 的迁移学习与主动数据选择相结合，该方法在保持与最先进学习方法相当的精度的同时，将训练数据量减少了 3–10 倍。

ABSTRACT

Lithography simulation is one of the key steps in physical verification, enabled by the substantial optical and resist models. A resist model bridges the aerial image simulation to printed patterns. While the effectiveness of learning-based solutions for resist modeling has been demonstrated, they are considerably data-demanding. Meanwhile, a set of manufactured data for a specific lithography configuration is only valid for the training of one single model, indicating low data efficiency. Due to the complexity of the manufacturing process, obtaining enough data for acceptable accuracy becomes very expensive in terms of both time and cost, especially during the evolution of technology generations when the design space is intensively explored. In this work, we propose a new resist modeling framework for contact layers, utilizing existing data from old technology nodes and active selection of data in a target technology node, to reduce the amount of data required from the target lithography configuration. Our framework based on transfer learning and active learning techniques is effective within a competitive range of accuracy, i.e., 3-10X reduction on the amount of training data with comparable accuracy to the state-of-the-art learning approach.

研究动机与目标

• 解决基于学习的光刻电阻建模在技术节点演进期间对大量数据的需求问题。
• 通过重用先前技术节点（如 N10）的标注数据，加速新节点（如 N7）的模型训练，提升数据效率。
• 通过主动学习减少对目标光刻配置中大规模、昂贵制造数据的依赖。
• 开发一种框架，在最小化所需训练样本数量的同时保持高精度，实现电阻建模。

提出的方法

• 通过使用来自源技术节点（如 N10 或 N7a）的预训练权重，初始化基于 ResNet 的电阻模型，实现迁移学习。
• 在新节点（如 N7b）的小型目标域数据集上进行微调，使模型适应新的光学和电阻条件。
• 采用基于聚类的主动学习策略，迭代选择最具信息量的掩模图案进行标注，以最小化冗余数据。
• 通过数据增强增加有效训练样本的多样性，从而减少对实际测量样本的绝对数量需求。
• 在神经网络中采用残差连接，以提升小样本数据集上的训练稳定性和性能。
• 使用阈值均方根误差（εr_th）和关键尺寸均方根误差（εCD）作为关键指标，评估模型性能。

实验结果

研究问题

• RQ1 从旧技术节点（如 N10）迁移学习是否能显著减少新节点（如 N7b）电阻建模的数据需求，同时不牺牲精度？
• RQ2 主动学习在选择能最大化模型精度的代表性掩模图案方面有多高效，且在目标域中使用最少的标注数据？
• RQ3 与标准学习方法相比，迁移学习与主动学习结合对数据效率有何影响？
• RQ4 迁移学习的性能如何受源数据集与目标数据集相似性的影响（如 N10 与 N7a 之间）？
• RQ5 所提出的框架是否能在仅使用 3–10 倍少的训练数据的情况下，达到与最先进方法相当的精度？

主要发现

• 所提出的基于 ResNet 的迁移学习与主动学习结合方法（ResNet TF₀ + AL）相比标准 CNN，将所需训练数据量减少了 3–10 倍，同时保持了相当的精度。
• 从 N10 迁移到 N7b 时，ResNet TF₀ + AL 将数据需求减少了最多 10 倍，仅使用目标数据集 1% 的样本，即实现了 1.60 nm 的 CD 均方根误差。
• 从 N7a 迁移到 N7b 时，ResNet TF₀ + AL 仅使用目标数据的 5% 即实现 1.67 nm 的 CD 均方根误差，优于 CNN TF₀（后者需 30% 数据才能达到类似精度）。
• 该方法仅需少于 40 个实际样本（得益于数据增强）即可达到可接受的精度，展现出极高的数据效率。
• 主动学习进一步降低了数据需求：对于目标 CD 均方根误差 1.5 nm 的要求，ResNet TF₀ + AL 所需样本数分别为 ResNet TF₀ 和 CNN 的 1.5 倍和 4 倍。
• 该框架在不同源领域下均保持一致的性能表现，ResNet TF₀ + AL 在所有测试配置中均展现出最强健且最高效的数据使用能力。