MorphOPC: Revolusi Optimasi Masker Sirkuit dengan Pembelajaran Morfologi Hierarkis Berbasis AI

      Teknologi modern, mulai dari ponsel pintar hingga pusat data canggih, bergantung pada sirkuit terintegrasi yang semakin kompleks dan miniatur. Seiring dengan penyusutan ukuran fitur sirkuit ke skala nanometer, tantangan dalam mentransfer pola sirkuit ini dari fotomasker ke wafer silikon menjadi semakin besar. Proses ini, yang dikenal sebagai litografi optik, seringkali mengalami distorsi pola yang signifikan akibat difraksi optik dan variasi proses. Untuk memastikan kesetiaan pola dan kemampuan manufaktur, metode optimasi masker yang canggih sangat dibutuhkan.

Memahami Optimasi Masker dan Tantangannya

      Inti dari proses manufaktur semikonduktor adalah fotomasker, cetak biru yang digunakan untuk mentransfer pola sirkuit ke wafer silikon melalui serangkaian proses paparan, pengembangan, dan etsa. Ketika ukuran fitur menyusut di bawah panjang gelombang paparan, distorsi pola menjadi masalah umum. Untuk mengatasi hal ini, teknik yang disebut Optical Proximity Correction (OPC) telah menjadi standar industri. OPC memodifikasi geometri masker agar pola wafer yang dihasilkan secara akurat mereproduksi desain asli yang dimaksudkan.

      Metode OPC tradisional, khususnya model-based OPC, memerlukan simulasi dan koreksi berulang, yang sangat intensif secara komputasi. Sementara itu, Inverse Lithography Techniques (ILT) [18] dapat menghasilkan masker yang lebih akurat dengan merumuskan sintesis masker sebagai masalah optimasi berkelanjutan. Namun, metode ILT juga memiliki keterbatasan yaitu biaya komputasi yang tinggi dan kebutuhan memori yang besar, sehingga tidak praktis untuk aplikasi skala full-chip. Tantangan ini mendorong peneliti untuk mencari solusi yang lebih cepat dan efisien.

Peran Pembelajaran Mesin dalam Optimasi Masker

      Dalam beberapa tahun terakhir, solusi OPC berbasis pembelajaran mesin (ML) telah muncul sebagai alternatif yang menjanjikan, menawarkan percepatan yang signifikan dalam proses optimasi. Model-model generatif, seperti yang menggunakan arsitektur encoder-decoder atau Jaringan Adversarial Generatif (GAN), dapat mensintesis masker yang mendekati optimal. Model-model ini berfungsi sebagai pengganti ML yang cepat untuk OPC tradisional. Contohnya termasuk GAN-OPC [27] yang menggunakan jaringan GAN dengan pra-pelatihan berbasis ILT, dan DAMO [4] yang menggabungkan GAN kondisional resolusi tinggi dengan jaringan koreksi feed-forward.

      Meskipun model generatif ini menunjukkan kinerja yang kuat dalam mempelajari pemetaan dari pola layout ke bentuk masker, pemahaman geometris mereka cenderung bersifat statistik daripada analitis. Dalam praktiknya, optimasi masker yang akurat membutuhkan penalaran geometris yang eksplisit. Misalnya, pola tip-to-tip memerlukan ekstensi hammerhead untuk melawan pemendekan ujung garis, sementara sudut berbentuk L memiliki karakteristik pencetakan yang berbeda, di mana sudut dalam cenderung tercetak lebih besar dan memerlukan koreksi anti-serif, sedangkan sudut luar mengalami pembulatan dan biasanya memerlukan ekstensi serif untuk mempertahankan ketajaman [7, 15, 17]. Koreksi yang bergantung pada bentuk ini menuntut pemodelan eksplisit dari konteks geometris lokal dan transformasinya.

MorphOPC: Pendekatan Baru dengan Pembelajaran Morfologi Hierarkis

      Untuk mengatasi keterbatasan metode ML yang ada, sebuah penelitian baru memperkenalkan MorphOPC, sebuah model inovatif yang mengonseptualisasikan pembuatan masker sebagai urutan operasi morfologi pada fitur layout lokal. Studi ini [https://arxiv.org/abs/2605.12528] mengusulkan arsitektur hierarkis multi-skala yang mengintegrasikan modul morfologi saraf yang dapat dibedakan ke dalam kerangka encoder-decoder. Konsep utamanya adalah bahwa operasi morfologi, seperti dilation (pelebaran) dan erosion (pengikisan), secara alami menangkap perilaku ekspansi dan kontraksi yang penting dalam koreksi OPC.

• Dilation: Operasi ini memperluas batas suatu pola, menambah ukuran fitur.
• Erosion: Operasi ini menyusutkan batas suatu pola, mengurangi ukuran fitur.

      Dengan melihat pembuatan masker sebagai komposisi operasi morfologi yang dipelajari, MorphOPC dapat secara bersamaan mempelajari koefisien untuk operasi morfologi dan elemen struktural (SE) yang sesuai langsung dari peta fitur konvolusional. Pendekatan ini memastikan bahwa optimasi masker tidak hanya efisien secara komputasi, tetapi juga dapat dijelaskan (interpretable), karena koreksi secara eksplisit terikat pada prinsip-prinsip ekspansi dan kontraksi fundamental dari morfologi.

      ARSA Technology, sebagai penyedia solusi AI dan IoT terkemuka, secara konsisten mengeksplorasi dan mengembangkan kemampuan AI canggih untuk memecahkan masalah kompleks di berbagai industri. Pendekatan seperti yang ditawarkan MorphOPC menunjukkan potensi besar dalam meningkatkan efisiensi dan akurasi dalam manufaktur berteknologi tinggi, yang sejalan dengan komitmen ARSA dalam menyediakan solusi AI khusus yang praktis dan menguntungkan.

Keunggulan dan Penerapan Praktis MorphOPC

      MorphOPC dirancang untuk mencapai kesetiaan pencetakan yang lebih tinggi dan biaya manufaktur yang lebih rendah, menawarkan potensi kuat untuk optimasi masker yang dapat diskalakan. Beberapa keunggulan utamanya meliputi:

Pembelajaran Berbasis Morfologi: Dengan memformulasi pembuatan masker sebagai komposisi operasi morfologi yang dipelajari (dilatasi dan erosi) yang diterapkan pada pola layout* lokal, MorphOPC secara eksplisit menangkap transformasi geometris yang diperlukan.

• Arsitektur Hierarkis Multi-skala: Model ini menggunakan arsitektur yang mampu memproses informasi pada berbagai skala, memungkinkan koreksi yang lebih detail dan akurat.
• **Kinerja State-of-the-Art (SOTA)**: Eksperimen pada benchmark OPC berbasis tepi dan ILT di seluruh lapisan logam dan via menunjukkan bahwa MorphOPC secara konsisten mengungguli metode-metode canggih lainnya.
• Generalisasi Superior: Model ini menunjukkan kemampuan generalisasi yang lebih baik terhadap pola desain yang kompleks dan belum pernah terlihat sebelumnya dibandingkan dengan OPC berbasis pembelajaran yang ada.

      Metode evaluasi kinerja masker yang digunakan dalam penelitian ini mencakup:

• Error ℓ2: Mengukur kesetiaan pencetakan masker yang dihasilkan dengan membandingkan pola yang dicetak dengan target asli.
• Edge Placement Error (EPE): Mengukur ketidaksejajaran vertikal atau horizontal antara kontur litografi dan kontur pola target yang diinginkan.
• Process Variation Band (PVB): Menunjukkan ketahanan masker terhadap variasi proses, diukur sebagai area antara tepi tercetak terluar dan terdalam di seluruh kondisi proses yang berbeda.

Shot Count: Menghitung jumlah shot* persegi panjang yang diperlukan untuk mereplikasi bentuk masker secara akurat, yang berhubungan langsung dengan biaya manufaktur.

      Pengembangan seperti MorphOPC merefleksikan inovasi yang terus-menerus dalam AI dan komputasi. Misalnya, dalam konteks optimasi lalu lintas atau pemantauan keselamatan, AI Video Analytics yang dikembangkan oleh ARSA juga mengandalkan pemrosesan data visual yang canggih untuk memberikan wawasan real-time dan keputusan yang lebih baik.

Masa Depan Optimasi Masker Sirkuit

      Dengan kemampuan untuk mempelajari transformasi geometris secara eksplisit dan mencapai kesetiaan pencetakan yang tinggi sambil mengurangi biaya manufaktur, MorphOPC menghadirkan terobosan signifikan. Inovasi ini memiliki implikasi besar bagi industri semikonduktor, memungkinkan produksi chip yang lebih kecil, lebih cepat, dan lebih andal. Kemampuan untuk secara efektif mengelola dan mengoptimalkan desain pada skala nanometer sangat penting untuk kemajuan teknologi di berbagai sektor.

      Seiring dengan semakin kompleksnya desain sirkuit dan tuntutan pasar, pendekatan berbasis AI yang cerdas akan terus memainkan peran sentral. Perusahaan seperti ARSA Technology, dengan fokusnya pada Artificial Intelligence (Computer Vision, NLP, Predictive Analytics) dan Internet of Things (Industrial IoT, Smart Systems), berada di garis depan dalam menerapkan inovasi tersebut. Pendekatan MorphOPC menjadi contoh bagaimana pembelajaran mendalam dapat digunakan untuk memecahkan masalah engineering yang paling menantang, menjembatani penelitian AI tingkat lanjut dengan realitas operasional di industri.

      Untuk mempelajari lebih lanjut tentang bagaimana solusi AI dan IoT dapat diimplementasikan untuk kebutuhan industri Anda atau untuk mendiskusikan potensi inovasi teknologi, Anda dapat menghubungi tim ARSA. ARSA Technology berkomitmen untuk membangun masa depan dengan AI & IoT, menghadirkan solusi yang mengurangi biaya, meningkatkan keamanan, dan menciptakan aliran pendapatan baru.

      Sumber: Hu, Y., Zhuang, L., Wang, C., Qin, R., Xiang, H., Nam, G., & Xiong, J. (2026). MorphOPC: Advancing Mask Optimization with Multi-scale Hierarchical Morphological Learning. arXiv preprint arXiv:2605.12528.