LithoDreamer: A Physics-Informed World Model for Multi-Stage Computational Lithography
作者: Yuqi Jiang, Yumeng Liu, Zimu Li, Jinyuan Deng, Qian Jin, Yucheng Cui, Yu Li, Xunzhao Yin, Qi Sun, Cheng Zhuo
分类: cs.AI
发布日期: 2026-06-25
备注: Correspondence to: Qi Sun
期刊: Proceedings of the 43rd International Conference on Machine Learning (ICML), Jul. 6-11, 2026
🔗 代码/项目: GITHUB
💡 一句话要点
提出LithoDreamer以解决多阶段计算光刻中的物理建模问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 计算光刻 物理信息建模 多步骤演化 半导体技术 优化算法
📋 核心要点
- 现有的计算光刻模型无法有效捕捉光刻过程中的各个物理环节，导致性能和产量的下降。
- 本文提出了LithoDreamer框架，通过物理信息驱动的方式，将光刻过程建模为多步骤演化系统，优化干预过程。
- 实验表明，LithoDreamer在前向演化和逆向规划方面表现优异，达到了当前领域的领先水平。
📝 摘要（中文）
随着半导体技术节点的缩小，计算光刻在确保产量和性能方面变得至关重要。然而，现有模型无法有效捕捉光刻这一连续物理过程中的掩模优化、光学成像、光刻胶曝光和显影等环节。为了解决这一问题，本文提出了LithoDreamer，这是第一个物理信息驱动的世界模型框架，能够将“布局-掩模-光刻胶图像-开发后图像（ADI）”管道形式化为一个决策驱动的多步骤演化系统。LithoDreamer通过捕捉相邻状态之间的特征变化，建模阶段特定的物理信息潜在空间，从而控制过程干预探索并驱动后续状态转变。实验结果表明，LithoDreamer在前向演化和逆向规划方面达到了最先进的性能。
🔬 方法详解
问题定义：本文旨在解决现有计算光刻模型无法有效捕捉光刻过程的各个物理环节的问题，导致产量和性能不足。
核心思路：LithoDreamer通过物理信息驱动的方式，将光刻过程建模为一个决策驱动的多步骤演化系统，能够更好地捕捉状态变化和物理特性。
技术框架：整体架构包括布局、掩模、光刻胶图像和开发后图像的多步骤演化，主要模块包括物理信息潜在空间建模和干预优化。
关键创新：最重要的创新在于提出了物理信息驱动的世界模型框架，能够有效捕捉光刻过程中的物理变化，与现有方法相比具有更高的准确性和可解释性。
关键设计：采用对比变分优化范式，通过对比干预路径之间的潜在差异与变分演化约束，指导模型生成与真实光刻物理一致的演化过程。
🖼️ 关键图片
📊 实验亮点
实验结果显示，LithoDreamer在前向演化和逆向规划任务中达到了最先进的性能，相较于基线方法，性能提升幅度显著，具体数据未提供，但表明了其在实际应用中的有效性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在半导体制造和微纳米加工领域。通过优化光刻过程，LithoDreamer能够提高生产效率和产品质量，推动半导体技术的进一步发展。
📄 摘要（原文）
As semiconductor technology nodes scale, computational lithography is essential for ensuring yield and performance. However, lithography is a continuous physical process involving mask optimization, optical imaging, resist exposure, and development, which existing models fail to capture. To overcome this limitation, we present LithoDreamer, the first physics-informed World Model (WM) framework for computational lithography, which formulates the ``Layout-Mask-Resist Image-After Development Image (ADI)'' pipeline as a decision-driven multi-step evolution system. LithoDreamer captures feature changes between adjacent states to model stage-specific physics-informed latent spaces, in which it controls process intervention exploration and drives subsequent state transitions. To achieve interpretable intervention optimization without continuous supervision, we propose a contrastive variational optimization paradigm that contrasts the latent differences between intervention paths with variational evolution constraints, guiding the model to generate evolutions consistent with real lithography physics. Experiments show LithoDreamer achieves state-of-the-art performance in forward evolution and inverse planning. Our lithography dataset is publicly available at GitHub (https://github.com/7jiangyq/lithodreamer.git).