深度學習經過15年的發展現已應用於：科學研究、基因測序、油氣勘探、氣象預測等各個領域，在高效能計算HPC的加持下，與大資料、模擬模擬、人工智慧AI等技術逐步與深度計算融合。
技術背景
光刻技術是用於製造超大規模積體電路的核心技術之一。現代積體電路製造業基本按照摩爾定律在不斷髮展，晶片的特徵尺寸(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，可能需要採用不同的光刻系統進行積體電路製造。
投影式光刻技術由於其解析度高，不玷汙掩模版，重複性好的特點，被廣泛地應用於目前的超大規模積體電路量產過程中。在採用193nm光源波長的DUV光刻技術和採用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，隨後光線透過透射式或反射式的投影物鏡將掩模上的積體電路版圖復刻在表層塗有光刻膠的矽片上。為了提高光刻系統的成像效能，近年來已經開發出來多種新的光刻解析度增強技術(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。它透過最佳化掩模圖形調製掩模的衍射近場和遠場，從而補償由衍射和干涉效應。
基於現有深度學習技術梯度的OPC最佳化演算法透過梯度迭代演算法，最佳化掩模各個畫素點的透過率(對於DUV光刻系統而言)或反射率(對於EUV光刻系統而言)，需要進行大量的迴圈迭代才能獲得較為理想的最佳化結果。同時還需要對每次迭代後的掩模圖形進行光刻成像，並計算代價函式對掩模變數的梯度，從而導致該演算法的計算複雜度很高、計算量大。此外，由於光刻系統成像模型的非線性特性，現有的梯度演算法很容易陷入OPC最佳化問題的區域性最優解，並不能準確得到全域性最優解，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演算法的計算效率，研究人員針對相干成像光刻系統提出了基於卷積神經網路的計算光刻方法。但是大多數實際的光刻系統均採用部分相干照明，因此限制了上述技術的應用範疇。
光學光刻技術
光刻是積體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。在整個晶片製造過程中，幾乎每一道工序都離不開光刻。光刻也是晶片製造中最關鍵的技術，佔晶片製造成本的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係到大型計算機等高科技領域的執行。
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，裡面的晶片製作離不開光刻技術。當今世界是一個資訊社會，各種資訊在世界上流動。而光刻技術是為了保證資訊載體的製造。它在社會上擁有不可替代的作用。
光學光刻是透過光的照射的投影方法，將掩模上的大規模積體電路器件的結構圖形畫在塗有光刻膠的矽片上。透過光的照射，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係到光刻系統能夠獲得的解析度，減少照射光源的波長是提高解析度最有效的途徑。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
基於光刻系統的成像模型，構建梯度迭代演算法中的掩模圖形更新公式；展開梯度迭代演算法的迭代過程，擷取前K步迭代，將每一步迭代過程作為一層，建立K層的前向卷積神經網路，稱為基於模型的卷積神經網路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；基於光刻膠模型，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，採用反向傳播演算法最佳化MCNN中的各項引數，使得MCNN的輸入與解碼器的輸出之間的誤差最小化；訓練結束後，將解碼器與MCNN分離，將任意其他的理想電路版圖輸入訓練後的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，利用各種波前技術最佳化工藝引數也是提高解析度的重要手段。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解析度的光刻圖案。
20世紀70-80年代，光刻裝置主要採用普通光源和汞燈作為曝光光源，其特徵尺寸在微米級以上。20世紀90年代以來，為了適應IC整合度逐步提高的要求，相繼出現了g譜線、h譜線、I譜線光源以及KrF、ArF等準分子鐳射光源。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。電子束光刻主要用於刻畫微小的電路圖，通常以奈米為單位。電子束光刻不需要掩模，直接將會聚的電子束斑打在表面塗有光刻膠的襯底上。
為了將電子束光刻技術應用於奈米尺度微小結構的加工和積體電路的光刻，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；實現奈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最佳化技術是提高電子束光刻系統實際光刻解析度的非常有效的途徑。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澱金屬，第四部將光刻膠去除，在金屬剝離的過程中，關鍵在於光刻工藝的膠型控制。最好使用厚膠，有利於膠水的滲透，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，傑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奈米級立體結構，必須要透過晶片加工中一種叫做“電子束光刻”的前沿工藝，才能製造出來。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於更先進的光學設計。比如將原來的0.33光圈鏡頭換成更銳利的0.55光圈鏡頭，實現更高的解析度，可以減少1.7倍的晶片特徵，增加2.9倍的晶片密度。這個具體的技術原理就不展開了，但從這裡我們可以知道，光刻機技術的先進性有相當一部分上取決於光學技術的先進性。
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，相機裡還有一類重要器件，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於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，就像晶片一樣。放大看就會發現上面整齊排列著幾百萬個尺寸只有幾百奈米的細微結構。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，有的呢則會徑直透過。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，並且在透過超透鏡的細微結構之後，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，背後的計算量太大，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。他們是怎麼做到的？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影象處理中。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後天瑕疵，都可以透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，然後將拍攝的圖片與原始圖片進行比較，然後就可以找到一個函式來定量描述這個超透鏡的缺陷或者說“特徵”。然後，用這個超鏡頭拍攝其他東西的時候，就可以用這個函式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，這種校正方法不同於一些用AI填充圖片細節的演算法。AI填充可以看作是一種“腦補”，這種函式就是“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，大資料一體機應運而生。作為面向大資料儲存、處理、展現全環節、軟硬一體化的方案型產品，大資料一體機實現了軟硬體的預整合與預最佳化，解決了原有架構的擴充套件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使用者對於人工智慧等高負載應用的效能需求，降低系統部署的複雜性和 TCO，提升交付靈活性。
藍海大腦的深度學習一體機，透過框架平臺、基礎系統、算力支撐以及液冷GPU伺服器對圖片經過深度學習一體機進行鑑別與輸出結果，大大的節省了人力物力及時間成本。
