MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning

As feature sizes shrink to the nanometer scale, accurately transferring circuit patterns from photomasks to silicon wafers becomes increasingly challenging. Optical proximity correction (OPC) is widely used to ensure pattern fidelity and manufacturability. Recent generative mask optimization models based on encoder-decoder architecture can synthesize near-optimal masks, serving as fast machine learning (ML) surrogates for traditional OPC. However, these models often fail to capture the geometric transformations from target layouts to mask patterns, leading to suboptimal quality. In this work, we formulate mask generation as a sequence of morphological operations on local layout features and propose \textit{MorphOPC}, a multi-scale hierarchical model with neural morphological modules to learn these transformations. Experiments on edge-based OPC and ILT benchmarks across metal and via layers show that \textit{MorphOPC} consistently outperforms state-of-the-art methods, achieving higher printing fidelity and lower manufacturing cost, demonstrating strong potential for scalable mask optimization.

📋 한 줄 요약

**[반도체 EDA / 마스크 최적화]** 마스크 생성을 국소 레이아웃 특징에 대한 형태학 연산 시퀀스로 정식화하여, 멀티 스케일 계층적 형태학 학습을 수행하는 MorphOPC 제안.

🎯 핵심 기여도

나노스케일 OPC에서 인코더-디코더 기반 생성 마스크 모델이 타깃 레이아웃→마스크 패턴 사이의 기하 변환을 잘 잡지 못해 품질이 차선에 머문다는 문제 진단.
마스크 생성을 국소 레이아웃 특징에 대한 **형태학 연산 시퀀스**로 재정식화.
이를 학습하기 위한 멀티 스케일 계층적 모델 MorphOPC와 신경 형태학 모듈 설계.
edge-based OPC와 ILT 벤치마크의 메탈·via 레이어에서 SOTA를 일관되게 능가, 더 높은 인쇄 정확도와 더 낮은 제조 비용 달성.

💡 핵심 아이디어

마스크 합성을 통째로 학습하는 대신, 광근접 효과를 흡수하는 **형태학 연산의 시퀀스**로 분해해 학습하면 기하 변환을 더 충실히 캡처할 수 있다. 형태학 자체가 OPC 도메인의 강한 사전 지식이다.

🔬 기술적 접근법

**모델/방법론**: 멀티 스케일 계층적 구조 + 신경 형태학 모듈을 결합한 MorphOPC.
**핵심 기법**: 마스크 생성을 국소 레이아웃 특징에 대한 형태학 연산 시퀀스로 표현, 신경 모듈이 이 연산들을 학습하도록 설계, 멀티 스케일로 거시·미세 구조를 동시에 다룸.

📊 주요 결과

edge-based OPC 벤치마크에서 SOTA 능가.
ILT 벤치마크에서 SOTA 능가.
메탈 레이어·via 레이어 모두에서 일관된 우위.
인쇄 정확도(printing fidelity) 향상과 제조 비용 절감 동시 달성.

💭 의의 및 한계

**의의**: 도메인 특화 사전 지식(형태학)을 신경망 구조에 명시적으로 통합해 ML surrogate가 전통적 OPC 품질에 더 가까워지는 경로를 보여줌. **한계**: 평가가 OPC와 ILT 벤치마크 위주이며, 첨단 노드의 실제 산업 마스크 흐름·검증과의 직접 통합은 추가 검증 필요.

🚀 실용적 활용

반도체 파운드리의 ML 기반 OPC/ILT 가속 모듈.
제조 비용·인쇄 정확도를 동시 최적화하는 EDA 도구.
다른 패턴 합성 문제(나노 임프린트·메타 표면)로의 형태학 학습 확장.