这篇文档属于类型a，即报告了一项原创研究。以下是基于文档内容的学术报告：
作者及研究机构
本研究由Kara Kearney、Leandro Medina、Roger T. Bonnecaze和Meghali J. Chopra共同完成，他们均来自Sandbox Semiconductor Incorporated。该研究发表于SPIE（国际光学工程学会）的会议论文集，具体为《Advanced Etch Technology and Process Integration for Nanopatterning XI》，并于2022年5月25日发布，DOI为10.1117⁄12.2614301。
学术背景
本研究的主要科学领域是纳米图案化（nanopatterning）中的刻蚀（etch）和沉积（deposition）技术。随着极紫外光刻（EUV lithography）技术的发展，光掩模（photomask）的制造对多层结构的刻蚀工艺提出了更高的要求。然而，多层刻蚀工艺的复杂性使得确定每一步的顺序、时间和循环次数变得极为困难。传统方法依赖于耗时且昂贵的试错实验，实验次数随着工艺复杂度的增加呈指数级增长。因此，本研究旨在开发一种基于模拟的方法，通过有限实验数据校准物理模型，从而加速优化多层刻蚀工艺。
研究目标
本研究的主要目标是开发一种自动化、高效且准确的方法，用于优化多层EUV光掩模的刻蚀工艺。具体目标包括：
1. 通过有限的实验数据校准基于物理的刻蚀和沉积模型；
2. 利用校准后的模型预测不同步骤顺序和时间的刻蚀效果；
3. 展示该方法在多层堆栈刻蚀中的应用，并显著减少所需实验次数；
4. 证明校准模型可用于不同孔径或掩模几何形状的刻蚀工艺优化，而无需额外实验。
研究流程
本研究包括以下主要步骤：
1. 模型构建与校准：
- 使用八个合成实验数据校准基于物理的刻蚀和沉积模型。实验参数包括压力、气体类型、气体流速、功率、偏压和时间等。
- 模型通过对比实验数据和预测数据，选择刻蚀和沉积行为的关键机制。校准结果显示，模型对五个关键尺寸（critical dimensions, CDs）的预测误差在1.3至7.6纳米之间。
2. 模型预测与工艺优化：
- 使用校准后的模型识别EUV掩模中的关键缺陷，如底切（undercut）、弯曲（bowing）和表面粗糙度（surface roughness）。
- 通过搜索参数空间，确定最优工艺配方（optimal process recipe, OPR）。结果显示，高P1、P5和P6值以及低P2、P3和P4值有助于实现无缺陷刻蚀。
- 进一步优化刻蚀和沉积时间，并通过增加循环次数（1x、2x、4x）来减少表面粗糙度。
3. 数据回收与新节点优化：
- 使用200纳米孔径的实验数据，优化50纳米孔径的刻蚀工艺。校准模型在不增加实验数据的情况下，成功减少了新孔径的表面粗糙度。
主要结果
1. 模型校准结果显示，五个关键尺寸的预测误差均在可接受范围内，表明模型能够准确捕捉刻蚀和沉积行为的关键机制。
2. 工艺优化结果显示，通过调整参数和循环次数，能够有效减少EUV掩模中的缺陷，特别是表面粗糙度。
3. 数据回收实验表明，校准模型可用于不同孔径的刻蚀工艺优化，显著提高了原始实验数据的价值。
结论
本研究开发了一种基于Sandbox Studio™ AI的自动化方法，通过结合物理模型和机器学习，显著加速了多层EUV光掩模刻蚀工艺的优化过程。该方法不仅减少了实验次数，还展示了原始实验数据在不同几何形状刻蚀工艺中的再利用价值。该研究为纳米图案化领域提供了一种高效且可扩展的工艺优化方法，具有重要的科学和应用价值。
研究亮点
1. 开发了一种基于物理模型和机器学习的自动化刻蚀工艺优化方法，显著减少了实验次数。
2. 展示了校准模型在不同几何形状刻蚀工艺中的再利用能力，提高了实验数据的价值。
3. 通过优化刻蚀和沉积时间以及循环次数，有效减少了EUV掩模中的关键缺陷。
其他有价值的内容
本研究得到了美国国家科学基金会（National Science Foundation）的资助（SBIR Phase II Award: 1951245），进一步验证了其科学价值和潜在应用前景。