过去英特尔比较实在，习惯用沟道长度（比栅长小）来定义节点，有说法是为了紧扣摩尔定律，不论原因如何，命名上总比竞争对手们吃亏。
比如，英特尔的10nm，晶体管密度比台积电和三星的7nm还要多（如上图），但从营销的逻辑来说，别人都说7nm，英特尔说自己是10nm，吃了个“没文化”的亏，所以后来英特尔也跟着对手们，改用intel4、intel3这样的节点命名方式。
上面阐释的这些，只是想告诉你，节点的命名，就是一个文字游戏，7nm工艺对应的最小金属间距在36nm-40nm左右。
有了这个认知，我们就可以来讲讲前面提到的193nm DUV光刻机，和要制造的7nm芯片之间的关系。或者这样说，DUV生产7nm芯片，实际上是利用193nm光源的光刻机，生产金属间距36nm-40nm的芯片。
193nm光源，和36nm的金属间距中间，差5倍左右，如何跨越这个差距？这里就不得不提DUV干式光刻机到DUV浸没式光刻机的迭代了。
DUV光刻机的光源波长虽然为193nm，但是光在水中会发生折射，波长则会缩短。193nm的紫外光在水中的折射率为1.44，波长为134nm。根据这一原理，林本坚在1987年提出了浸没式光刻，即在晶圆表面和透镜之间增加一层超纯水，让紫外光折射，从而将波长降低为134nm，2003年荷兰的ASML基于这项研究，第一个实现了浸没式光刻机。
从DUV干式光刻机到DUV浸没式光刻机，从193nm光源波长到134nm波长的紫外光，这与36nm的金属间距的差距再度缩小至4倍。
03多重曝光搞定“最后一公里”
浸没式光刻机的出现，再次缩小了和“7nm”工艺的差距，但行业仍无法直接用这种光刻机加工出大家口中的“7nm”芯片，如果芯片制造商真要制造传闻的7nm麒麟9000S，双重曝光和多重曝光必不可少。
为了解释双重曝光技术，让我们举一个照相的例子。假设你是一个摄影师，要拍摄一幅运动会队列的照片，这个队列只有20个人，按照2米的间距站开，显得非常稀疏，怎么拍出40个人的感觉？你有一种解决方案，先拍完第一张，然后再让每个人平移1米，拍出另一张，随后通过软件，将两张照片合成在一起。
双重曝光技术也可以如法炮制。使用一组掩膜版，加工出间隔134nm的线条，再使用另外一组掩膜版，平移一段距离加工出另外一组间隔134nm的线条，二者组合起来，就有了间隔67nm的线条，这距离36nm又前进了一步。从22/20nm开始，业界开始导入双重曝光技术。
为了实现双重曝光技术，业界开发出了LELE法（光刻-刻蚀-光刻-刻蚀），它需要涂两次光刻胶，曝光两次，第一次曝光在硬掩膜上复制图形，第二次曝光在光刻胶上复制出最小线宽图案。但是由于使用两次曝光设备，大大推高了制造成本，花费的时间也更久。要知道光刻占整个制造时间的50%左右，增加一倍的曝光会大大延长整个制造时间。
为此，业界又开发出了效率更高的自对准双重图形化法（SAPD），这种方法将两次涂光刻胶减少到了一次，它利用化学气相沉积（CVD）技术将氧化硅沉积在第一次涂的光刻胶周围，自然地形成了对准后的加工位置，从而能实现第二次图形加工。
有了这些技术，双重曝光就能加工出67nm的金属间距，不过这距离36nm还差了两倍，怎么去突破最后的这2倍的差距？
有一个简单粗暴的方法，就是再做一次双重曝光，总共做四重曝光，就能再一次将67nm减半，加工出最小34nm的线条，刚好符合加工7nm所需的36nm的金属间距。
不过这个方法要付出的代价实在太大了，曝光时间是单重曝光的4倍，需要制备更多的掩膜版，每次曝光都需要更多的配套工序（光刻胶涂覆、软烘烤、对准、显影、甩干、硬烘烤、图形检测等），所需的全部制造工序从几百道增加到上千道，大大增大了制造的时间成本和物力成本。此外，曝光时间的增加会使镜头发热增大，温度升高又会导致镜头光路变形，套刻精度更难以控制，与之匹配的薄膜和刻蚀工艺难度也大大增加。还有，以上的计算没有考虑数值孔径（NA）对光刻精度的影响（这部分不涉及多重曝光的理解，故本文不对套刻精度、数值孔径详细展开）。为了提高数值孔径，还需要把镜头做得更大。
基于多重曝光技术，台积电于2016年6月开始用DUV生产7nm芯片（N7），三星则于2018年开始用DUV量产7nm芯片（7LPP）。至此，用DUV实现7nm工艺才成为现实。
一句话总结，虽然可以通过多重曝光的手段，利用193nm光源的DUV，生产7nm芯片，但时间、材料、人力成本都会大大增加，且由于工序极大的增加，良率也会受到影响。
作为对比，EUV的波长只有13.5nm，一次曝光就能做出7nm芯片，只不过EUV吊足了晶圆厂的胃口，直到2020年才正式在5nm工艺上使用。在此之前GlobalFoundry失去了耐心，宣布由于高昂的成本停止7nm技术的开发。
04 DUV能突破5nm工艺吗？
不过，这还不是故事的全部。
除了多重曝光技术，用DUV加工7nm工艺还需要很多技术的配合才能实现，包括相位移模板（PSM）、离轴光照、光学临近校正（OPC）、优化光圈和光刻图形（SMO）等，这几项技术催生了一门新的子学科：计算光刻。它所需的庞大数据使得英伟达的GPU芯片也成为了计算所需的工具,其推出cuLitho软件加速库，宣称可以将计算光刻的用时提速40倍。
之所以需要计算光刻，是因为当掩膜版上的线条变得很小时，紫外光通过掩膜版时会产生偏差，让光刻图形畸变。为此研究人员想到了一个方法，预先计算出掩膜版上可能的畸变，从而逆向地设计光刻所需的掩膜版的最佳形状，提前抵消这些畸变，这叫做逆向光刻计算，而这需要非常庞大的计算量，普通的计算机根本无力承担，研究人员不得不使用超级计算机和云计算。
与此同时，研究人员又将人工智能的机器学习算法应用到计算光刻上来。新一代的卷积人工神经网络被应用于光刻工艺模型、掩模优化、SEM数据处理等方面，而训练数据又需要庞大的GPU芯片组。除了器件层面的优化，研究人员甚至还将电路设计中要考虑的因素也融入到器件制造中来，在电路设计阶段就考虑对制造和光刻的影响，这叫做DTCO（设计与工艺技术协同优化），而这又需要EDA厂商升级算法和软件。
可以说，为了让DUV能制造出7nm工艺芯片，业界已经无所不用其极。下一步如果继续采用DUV制造5nm工艺芯片，四重曝光也不够了，需要6-8重曝光，以及更多的掩膜版，更长的光刻时间，更高的物力成本，这已成为不堪忍受之重。所以5nm芯片出来时，刚好EUV光刻机也准备好了，才将业界从繁琐的多重曝光下解脱出来，而7nm工艺也成为目前业界使用DUV制造出来的最后一代工艺。
