深度學習經過15年的發展現已應用于：科學研究、基因測序、油氣勘探、氣象預測等各個領域，在高性能計算HPC的加持下，與大數據、模擬仿真、人工智能AI等技術逐步與深度計算融合。

技術背景

光刻技術是用于制造超大規模集成電路的核心技術之一。現代集成電路制造業基本按照摩爾定律在不斷發展，芯片的特征尺寸(CriticalDimension，簡稱CD)不斷縮小，光刻技術也經歷了從g線光刻、i線光刻、深紫外(Deep Ultraviolet，簡稱DUV)光刻到極紫外(ExtremeUltraviolet，簡稱EUV)光刻的發展歷程。在不同的光刻技術節點中，可能需要采用不同的光刻系統進行集成電路制造。
?

投影式光刻技術由于其分辨率高，不玷污掩模版，重復性好的特點，被廣泛地應用于目前的超大規模集成電路量產過程中。在采用193nm光源波長的DUV光刻技術和采用13 .5nm的EUV光刻技術中，光刻系統利用光源照射透射式或反射式掩模，隨后光線通過透射式或反射式的投影物鏡將掩模上的集成電路版圖復刻在表層涂有光刻膠的硅片上。為了提高光刻系統的成像性能，近年來已經開發出來多種新的光刻分辨率增強技術(ResolutionEnhancementTechnique，簡稱RET)，如相移掩膜(Phase ShiftingMask)技術、離軸照明(Off-axis Illumination)技術、光學鄰近效應校正(Optical Proximity Correction，簡稱OPC)技術、駐波效應校正(Stand WaveCorrection)技術等，其中OPC是一種重要的計算光刻技術。它通過優化掩模圖形調制掩模的衍射近場和遠場，從而補償由衍射和干涉效應。

基于現有深度學習技術梯度的OPC優化算法通過梯度迭代算法，優化掩模各個像素點的透過率(對于DUV光刻系統而言)或反射率(對于EUV光刻系統而言)，需要進行大量的循環迭代才能獲得較為理想的優化結果。同時還需要對每次迭代后的掩模圖形進行光刻成像，并計算代價函數對掩模變量的梯度，從而導致該算法的計算復雜度很高、計算量大。此外，由于光刻系統成像模型的非線性特性，現有的梯度算法很容易陷入OPC優化問題的局部最優解，并不能準確得到全局最優解，導致收斂誤差較大，影響光刻系統的成像質量。為了進一步提高OPC算法的計算效率，研究人員針對相干成像光刻系統提出了基于卷積神經網絡的計算光刻方法。但是大多數實際的光刻系統均采用部分相干照明，因此限制了上述技術的應用范疇。

光學光刻技術

光刻是集成電路最重要的加工工藝，他的作用如同金工車間的車床相同。在整個芯片制造過程中，幾乎每一道工序都離不開光刻。光刻也是芯片制造中最關鍵的技術，占芯片制造成本的35%以上。在科技和社會發展的今天，光刻機技術的增長直接關系到大型計算機等高科技領域的運行。

光刻技術與我們的生活息息相關。我們用的手機，電腦等各種各樣的電子產品，里面的芯片制作離不開光刻技術。當今世界是一個信息社會，各種信息在世界上流動。而光刻技術是為了保證信息載體的制造。它在社會上擁有不可替代的作用。

光學光刻是通過光的照射的投影方法，將掩模上的大規模集成電路器件的結構圖形畫在涂有光刻膠的硅片上。通過光的照射，光刻膠的成分發生化學反應，從而產生電路圖。限制成品的最小尺寸直接關系到光刻系統能夠獲得的分辨率，減少照射光源的波長是提高分辨率最有效的途徑。為此，開發新型的短波長光源光刻機一直是各國的研究熱點。

計算光刻的深度學習方法的流程圖

基于光刻系統的成像模型，構建梯度迭代算法中的掩模圖形更新公式；展開梯度迭代算法的迭代過程，截取前K步迭代，將每一步迭代過程作為一層，創建K層的前向卷積神經網絡，稱為基于模型的卷積神經網絡MCNN，將MCNN作為編碼器；MCNN的輸入為理想電路版圖，輸出為對應的OPC掩模圖形；MCNN中上一層的輸出作為下一層的輸入；基于光刻膠模型，構建與MCNN相對應的解碼器；將MCNN的輸出與解碼器的輸入相連；解碼器的輸入為OPC掩模圖形，輸出為OPC掩模圖形在晶片處所成的像；對MCNN進行如下訓練：收集電路版圖結構，作為訓練樣本集，輸入MCNN，采用反向傳播算法優化MCNN中的各項參數，使得MCNN的輸入與解碼器的輸出之間的誤差最小化；訓練結束后，將解碼器與MCNN分離，將任意其他的理想電路版圖輸入訓練后的MCNN，輸出即為該電路版圖所應對的掩模圖形。

結構示意圖和解碼器示意圖

此外，根據光的干涉特性，利用各種波前技術優化工藝參數也是提高分辨率的重要手段。這些技術是利用電磁理論結合光刻實踐對曝光成像進行深入分析的突破。有移相掩模、離軸照明技術、鄰近效應校正等等。使用這些技術，可以在當前的技術水平下獲得更高分辨率的光刻圖案。

20世紀70-80年代，光刻設備主要采用普通光源和汞燈作為曝光光源，其特征尺寸在微米級以上。20世紀90年代以來，為了適應IC集成度逐步提高的要求，相繼出現了g譜線、h譜線、I譜線光源以及KrF、ArF等準分子激光光源。目前光學光刻技術發展方向主要是縮短曝光光源的波長，增加數值孔徑，改善曝光方式。

電子束光刻技術

電子束光刻是微型技術加工發展的關鍵技術，在納米制造領域具有不可替代的作用。電子束光刻主要用于刻畫微小的電路圖，通常以納米為單位。電子束光刻不需要掩模，直接將會聚的電子束斑打在表面涂有光刻膠的襯底上。

為了將電子束光刻技術應用于納米尺度微小結構的加工和集成電路的光刻，必須解決幾個關鍵技術問題:電子束高精度掃描成像曝光效率低；電子在抗蝕劑和基片中的散射和背射現象引起的鄰近效應；實現納米尺度加工中的電子抗蝕劑、電子束曝光、顯影和刻蝕等工藝技術問題。

實踐證明，應用電子束鄰近校正技術、電子束曝光與光學曝光系統匹配、混合光刻技術和抗蝕劑曝光工藝優化技術是提高電子束光刻系統實際光刻分辨率的非常有效的途徑。電子束光刻最重要的是金屬化剝離。第一步是掃描光刻膠表面所需的圖案。第二部是將曝光的圖形進行顯影，去除未曝光的部分。第三部在形成的圖形上沉淀金屬，第四部將光刻膠去除，在金屬剝離的過程中，關鍵在于光刻工藝的膠型控制。最好使用厚膠，有利于膠水的滲透，形成清晰的形狀。

超透鏡：下一代光學革命

科普作家彭天放老師說，超透鏡技術的發展讓他感觸最深的就是，杰出的創新往往是前沿技術相互交叉的成果。超透鏡這種大規模的納米級立體結構，必須要通過芯片加工中一種叫做“電子束光刻”的前沿工藝，才能制造出來。如今，在深度學習技術的加持之下，又進一步在拍攝效果上實現了大幅度的突破。

近日，光刻機巨頭阿斯麥透露，他們正在研發新一代光刻機，預計2025年實現量產。與目前最先進的極紫外光刻機相比，新一代光刻機的主要改進在于更先進的光學設計。比如將原來的0.33光圈鏡頭換成更銳利的0.55光圈鏡頭，實現更高的分辨率，可以減少1.7倍的芯片特征，增加2.9倍的芯片密度。這個具體的技術原理就不展開了，但從這里我們可以知道，光刻機技術的先進性有相當一部分上取決于光學技術的先進性。

我們知道，差不多20年前，攝影技術發生了一場重大革命，那就是數碼相機逐漸取代了膠片相機。但是，相機里還有一類重要器件，幾百年來本質上沒有變過——光學鏡片。今天的手機、相機和光刻機鏡片在原理上類似于400年前伽利略觀察太空的望遠鏡的鏡片。

彭老師告訴我們，攝影技術的第二次大革命即將發生，它將發生在幾百年不變的光學鏡頭領域。掀起這項革命性的新技術被稱為“超透鏡”。

11月29日，普林斯頓大學的研究人員在《自然通訊》上發表了一組用超透鏡拍攝的照片。這種超透鏡的直徑只有大約1毫米，大約一粒鹽的大小。

?

2011年，美國哈佛大學的卡帕索教授針對透鏡系統越來越重的問題提出了新的思路。他發現，不用透鏡，利用一種非常精細的平面結構，也可以實現偏折光線的效果。這就是超透鏡的由來。

超透鏡是平面的，就像芯片一樣。放大看就會發現上面整齊排列著幾百萬個尺寸只有幾百納米的細微結構。這些細微結構的大小與可見光的波長相似。當光在傳播過程中遇到這些結構時，會發生一些意想不到的變化。例如，有的光線會劇烈地拐彎，有的呢則會徑直通過。理論上，如果這些細微結構被精確地設計和排列，一個扁平的“玻璃片”就可以用來實現各種透鏡的功能。好好想想如果能夠用一個鹽粒大小的超透鏡來拍照，有誰還會使用笨重的傳統鏡頭呢？

然而，目前超透鏡技術仍然面臨許多挑戰，舉兩個明顯的例子。比如用超透鏡很難拍攝彩色照片。這是因為不同顏色的光具有不同的波長，并且在通過超透鏡的細微結構之后，偏折的程度不同。再比如細微結構的設計也很困難。試想一下，對數以百萬計的細微結構，要精確地找到每個結構的最優形狀和尺寸，背后的計算量太大，所以只能用一些簡化的設計方案。

普林斯頓大學研究人員用超透鏡拍攝的照片可以與傳統鏡頭拍攝的相媲美。他們是怎么做到的？這是本次研究中非常重要的創新——將深度學習引入到超鏡頭的圖像處理中。剛才提到的超透鏡的很多“先天缺陷“，以及加工過程中可能出現的后天瑕疵，都可以通過深度學習進行建模和矯正。

具體來說，就是讓超透鏡拍攝現有的圖片，然后將拍攝的圖片與原始圖片進行比較，然后就可以找到一個函數來定量描述這個超透鏡的缺陷或者說“特征”。然后，用這個超鏡頭拍攝其他東西的時候，就可以用這個函數對圖片進行反方向校正畫面，從而得到高質量的照片。強調一下，這種校正方法不同于一些用AI填充圖片細節的算法。AI填充可以看作是一種“腦補”，這種函數就是“還原”。

為了解決傳統分散化的基礎設施部署模式存在的問題，大數據一體機應運而生。作為面向大數據存儲、處理、展現全環節、軟硬一體化的方案型產品，大數據一體機實現了軟硬件的預集成與預優化，解決了原有架構的擴展瓶頸和新技術條件下的客戶應用門檻，可以快速滿足深度學習等行業用戶對于人工智能等高負載應用的性能需求，降低系統部署的復雜性和 TCO，提升交付靈活性。

藍海大腦的深度學習一體機，通過框架平臺、基礎系統、算力支撐以及液冷GPU服務器對圖片經過深度學習一體機進行鑒別與輸出結果，大大的節省了人力物力及時間成本。

審核編輯：符乾江