2025年9月17日，《Frontiers of Mechanical Engineering》刊发精密仪器团队在光刻胶高效标定算法领域的最新研究成果，题为“Surrogate-assisted Genetic Algorithm for Efficient Resist Calibration（基于代理模型辅助遗传算法的高效光刻胶标定算法）”。博士生牟春晓为论文第一作者，江浩教授、David H. Wei博士及刘世元教授为通讯作者。

随着半导体制造不断迈向更小特征尺寸，光刻胶模型标定的精度与效率已成为影响全芯片光学邻近效应校正（OPC）效果的关键因素。传统遗传算法虽然具备全局搜索能力，但在高维参数空间中计算代价高、收敛速度慢，且容易陷入局部最优；网格搜索在参数维度增加时计算量呈指数级增长，难以扩展；同时，传统标定通常仅优化模型系数，而忽略卷积核参数及空域图像参数对模型精度的影响。

针对上述问题，研究团队提出了一种代理模型辅助遗传算法（SAGA）。该方法将以Kriging插值为例的代理模型嵌入遗传算法框架中，在保持全局搜索能力的同时，大幅降低高成本适应度评估次数，实现对光刻胶模型系数、卷积核参数以及空域图像参数的联合优化。

图1 SAGA流程图

在三个典型光刻胶案例中进行了系统验证，包括248 nm正显影（PTD）、193 nm PTD以及193 nm 负显影（NTD）工艺。收敛曲线显示，SAGA在前期迭代中迅速降低误差，并在更少迭代步内稳定收敛；群体适应度分布更集中，避免GA易出现的早熟或震荡问题。

图2 SAGA与GA在(a) 248 nm PTD、(b) 193 nm PTD和(c) 193 nm NTD工艺案例中的收敛曲线

在仿真误差分布对比中，SAGA 的误差点更加集中于零误差附近，误差范围更小，在验证数据上表现出更强的泛化能力，体现出更好的工程可用性。

图3 SAGA与GA在(a) 248 nm PTD、(b) 193 nm PTD和(c) 193 nm NTD工艺案例中的仿真误差分布

该研究构建了一种面向高维复杂参数空间的智能化光刻胶标定框架，实现了在有限计算资源条件下的高精度快速优化，为全芯片OPC流程中的自动化建模与参数协同优化提供了新的技术路径。未来，该框架可进一步拓展至更高维参数空间与更复杂非线性光刻胶模型，为下一代精密光刻制造提供算法支撑。

论文信息：

C. Mu, L. Cheng, Z. Song, S. Guo, K. Li, S. Zhang, H. Jiang, D. H. Wei, J. Zhu, and S. Liu, "Surrogate-assistedgenetic algorithm for efficient resist calibration," Front. Mech. Eng. 20, 34 (2025).