LithoDreamer：面向多阶段计算光刻的物理感知世界模型

背景

随着半导体技术节点不断微缩，计算光刻（Computational Lithography）已成为确保芯片良率和性能的关键技术。光刻并非单一环节，而是一个连续的物理过程，涵盖了掩模优化（Mask Optimization）、光学成像（Optical Imaging）、光刻胶曝光（Resist Exposure）以及显影（Development）等多个阶段。

然而，现有的深度学习模型往往将这一复杂过程简化为静态的输入输出映射，无法准确捕捉各阶段之间细微的物理变化及动态演化规律。这种局限性导致模型在模拟真实光刻物理过程时存在偏差，难以满足先进制程对高精度逆向规划的需求。

核心内容

针对上述挑战，研究团队提出了 LithoDreamer，这是首个应用于计算光刻领域的物理感知世界模型（Physics-Informed World Model, WM）框架。该框架的核心创新在于将传统的“布局-掩模-光刻胶图像-显影后图像（ADI）”流程重新构建为一个决策驱动的多步演化系统。

1. 多阶段物理感知潜在空间建模

LithoDreamer 不再试图一次性预测最终结果，而是通过捕捉相邻状态之间的特征变化，来建模特定阶段的物理感知潜在空间（Latent Spaces）。

• 状态演化：模型将光刻过程分解为多个离散但连续的状态节点。
• 过程干预：在潜在空间中，模型能够控制过程干预（Process Intervention）的探索，并驱动后续状态的转换。这意味着模型不仅知道“起点”和“终点”，还理解从起点到终点的“路径”及其物理约束。

2. 对比变分优化范式

为了实现无需连续监督的可解释干预优化，研究团队提出了一种对比变分优化范式（Contrastive Variational Optimization Paradigm）。

• 对比机制：该范式通过对比不同干预路径在潜在空间中的差异，来评估优化效果。
• 变分约束：引入变分演化约束，确保模型生成的演化过程符合真实的光刻物理规律，而非仅仅拟合数据分布。
• 无监督优化：这种方法使得模型能够在没有每一步详细标签的情况下，通过物理一致性约束自动学习最优的干预策略。

3. 性能验证

实验结果表明，LithoDreamer 在**正向演化（Forward Evolution）和逆向规划（Inverse Planning）**两个任务上均达到了最先进水平（State-of-the-art）。

• 正向演化：准确预测从掩模到显影后图像的完整物理过程。
• 逆向规划：根据目标图形反向优化掩模设计，显著提升了设计的可行性和良率。

此外，研究团队已公开其光刻数据集，代码和数据可在 GitHub 获取，促进了该领域的开源协作。

关键要点

• 首个物理感知世界模型：LithoDreamer 是计算光刻领域首个引入世界模型概念的框架，突破了传统静态映射模型的局限。
• 决策驱动的多步演化：将光刻流程建模为“布局-掩模-光刻胶图像-ADI”的多步决策系统，更贴近真实的连续物理过程。
• 潜在空间中的过程干预：通过在特定阶段的物理感知潜在空间中控制干预，实现对光刻过程的精细化建模和动态调整。
• 对比变分优化：提出无需连续监督的优化方法，利用潜在空间差异对比和变分约束，确保生成结果符合物理规律。
• SOTA 性能：在正向预测和逆向掩模优化任务上均取得最佳性能，证明了其在先进制程中的实用价值。
• 开源贡献：公开了高质量的光刻数据集，为社区研究提供了重要基础。

意义与影响

LithoDreamer 的提出标志着计算光刻从“数据拟合”向“物理机理融合”的重要转变。

1. 提升先进制程良率：通过更准确地模拟多阶段物理过程，LithoDreamer 能够帮助芯片制造商在虚拟环境中更精确地预测和优化光刻效果，从而减少试错成本，提升良率。
2. 增强模型可解释性：相比黑盒式的深度学习模型，物理感知世界模型提供了更透明的决策路径，有助于工程师理解优化背后的物理原因，便于工艺调试和问题排查。
3. 推动 AI for Science 在半导体领域的应用：该工作展示了如何将物理先验知识有效嵌入世界模型，为其他复杂工业过程的模拟和优化提供了新的方法论参考。
4. 促进开源生态建设：公开的数据集和代码将加速学术界和工业界在计算光刻 AI 解决方案上的创新与合作。

总之，LithoDreamer 不仅是一项技术突破，更是 AI 与半导体物理深度结合的典范，为未来更先进节点的芯片制造提供了强有力的工具支持。