问题：光刻是半导体和微纳制造中决定图形精度与良率的关键环节；全息光刻作为计算接近式光刻的重要分支，相比传统投影光刻，具有系统结构简单、设备和运行成本低、分辨率潜力高以及对掩模局部缺陷不敏感等优势，MEMS器件、先进封装和三维集成等领域受到关注。然而，其工程化应用面临的主要瓶颈在于掩模设计环节：当掩模分辨率提高、图形面积增大或目标图案更复杂时，传统基于迭代求解的设计方法计算量激增，收敛速度变慢，甚至可能因初始值不佳而陷入局部最优，影响设计效率和成像一致性。 原因：传统全息掩模设计通常采用投影式迭代算法，在目标图形、掩模复振幅分布和传播光场之间反复逼近。其难点在于：一是优化变量维度高、约束多，需同时满足振幅和相位调制的工艺离散化要求；二是光场传播和边缘相位过渡等物理细节对误差敏感，导致高分辨率、大版图条件下迭代收敛路径更长；三是缺乏高质量初始解时，算法需进行大量“盲搜索”，增加了时间成本和不确定性。以中等尺寸掩模为例，传统方法通常需要上百次迭代，难以满足快速原型制备和小批量、多品种的制造需求。 影响：设计效率直接影响全息光刻从实验验证到工艺平台的推进速度。掩模生成耗时过长会拖慢器件试制进度，增加工程迭代成本，并削弱其在需要快速更换版图的场景中的竞争力。此外，掩模质量决定了曝光成像的边缘清晰度和图形保真度。若优化不足，复杂结构、精细线宽和边界过渡区域容易出现误差，进而影响后续刻蚀、沉积等工艺的稳定性。因此，如何在保证可制造性和成像质量的前提下大幅缩短掩模设计周期，成为全息光刻应用的关键挑战之一。 对策：针对这些问题，中国科学院上海光学精密机械研究所李思坤研究员团队提出“深度学习预生成—物理模型精优化”的混合设计方法。该方法的核心是通过数据驱动生成接近最优的掩模初值，再用严格的物理模型进行精细修正，兼顾速度与精度。研究团队构建的生成模型基于U形网络结构，通过多层特征融合和跳跃连接，学习目标图形到掩模复振幅分布的映射关系，使输出更符合工艺对离散化相位和振幅编码的要求。同时引入多尺度判别机制，将生成结果与物理模型计算的参考掩模对比，提升掩模的可靠性和一致性。在物理精优化阶段，团队将生成结果作为迭代起点，采用角谱法计算光场传播，对掩模分区处理，并通过逐步离散化和局部特征修正，重点降低边缘相位过渡区域的误差，使最终掩模更符合加工和曝光要求。 前景：仿真评估显示，该方法在大尺寸掩模设计中优势显著。对于700×700像素的掩模，迭代次数从244次降至22次，效率提升超过90%。业内人士认为，“先生成、后校准”的思路有望改变传统依赖迭代逼近的设计模式，为高分辨率、大版图全息掩模的快速生成提供新路径。下一步，团队计划从三上推进研究：一是优化网络结构并引入物理约束，减少对大规模样本数据的依赖，提升小样本泛化能力；二是改进相位—振幅调制策略，增强不同工况下的成像稳定性；三是结合制造与测试反馈，完善从设计到工艺适配的闭环评估体系，推动方法从仿真验证走向实际工程应用。
先进制造的竞争不仅取决于设备能力，也依赖于设计与工艺的协同效率。通过提升初值质量并以物理规律约束优化边界的组合思路，表明了计算方法与工程需求的深度融合。未来，高效、可靠且可制造的设计体系将成为光刻技术发展的重要方向，也为低成本实现高分辨制造提供更多可能性。