Novel production-ready machine learning flow for end-to-end nanolithography modeling and correction /
مخطط جديد جاهز للإنتاج لنمذجة وتصحيح الطباعة الضوئية النانوية مباشرة إلى الهدف باستخدام التعلم الآلي
by Mohamed Serageldin Elsayed Habib ; Supervisors Prof. Dr. Mohamed Fathy Abu-Elyazeed, Prof. Dr. Hossam Aly Hassan Fahmy.
- 123 pages : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2025.
Bibliography: pages 115-123.
Mask optimization for lithography production is a computationally expensive process, and it requires multiple correction steps using advanced Resolution Enhancement Techniques (RETs) to reach the final photomask. Due to the cost, time and complexity of such RETs, Machine Learning (ML) algorithms are actively researched to reduce the time, complexity and cost required. In this thesis, we study the ML-RET state of the art and identify the challenges preventing a production-ready ML photomask optimization. Accordingly, we present a novel end-to-end ML-RET flow that addresses such challenges and enables consistent and scalable production-ready photomask optimization. يتطلب تحسين القناع الطباعة الضوئية معالجات حسابية مكثفة. تحتاج عملية التصحيح إلى خطوات متعددة من عمليات تحسين الدقة للوصول إلى الأشكال النهائية للقناع الضوئي. نظراً للتكلفة والوقت والتعقيدات المرتبطة بتنفيذ هذه الأساليب, يتم بحث استخدام أساليب التعلم الآلي لخفض الوقت المطلوب لإنتاج القناع الضوئي وتخفيف الحمل الحسابي وتكلفة تطوير البرمجيات المطلوبة مع كل عقدة تكنولوجية جديدة. تبحث الرسالة الحالة التقنية لأساليب تحسين الدقة باستخدام التعلم الآلي, إضافةً إلى استنباط العوائق التي تحول دون استخدام هذه الأساليب في الإنتاج. وبناءاً علىه, تقترح الرسالة مخطط جديد مبتكر يساعد على حل هذه العقبات ويقوم بتنفيذ أساليب تحسين الدقة المطلوبة مباشرة في خطوة تصحيح واحدة متسقة وقابلة للتدريج وصديقة لتقنيات الإنتاج.