ソースマスク最適化（SMO：Source-Mask Optimization）は、リソグラフィの露光光源の形状（ソース形状）とフォトマスク上のパターン（OPC補正を含む）を同時に最適化することで、ウェハ上の転写パターンの忠実度・焦点深度（DOF）・露光マージンを最大化する計算リソグラフィ技術です。OPC（光学近接効果補正）を光源設計まで拡張したものと位置付けられます。
SMOでは、照明形状（ダイポール・クアドルポール・自由形状など）とマスクパターン（主パターン＋補助フィーチャ）を変数として、リソグラフィシミュレーション（Hopkins回折計算）をベースにした最適化アルゴリズム（逆問題ソルバー）で解を求めます。最適化の目標関数はウェハEPE（Edge Placement Error）の最小化・プロセスウィンドウの最大化などです。
SMOの重要性が高まった背景として、EUV露光機や先端DUV液浸スキャナーで使われる自由形状照明（ASMLのフレキシブルイルミネーター）の普及があります。照明形状の自由度が高くなった分、最適化の効果が大きい一方で計算量も膨大になります。EDA（Electronic Design Automation）ツールとの連携でマスクデータ作成フローに組み込まれています。
SMOはマスク製造と不可分の技術です。SMO最適化で得られた自由形状照明プロファイルをスキャナーに設定し、対応するOPC補正済みマスクデータを電子ビーム描画装置（mask writer）で書き込みます。マスクの製造精度（CD精度・位置精度）がSMO効果を実現する限界を決めるため、マスク装置（mask-writing・mask-repair）との連携が重要です。
計算ツールではSynopsys（Sentaurus Lithography）、Mentor Graphics（Calibre）、ASML（Brion TachyonSMO）が主要プレイヤーです。AI/機械学習を用いてSMO計算を高速化する研究も進んでおり、パターン設計→SMO→OPC→マスク製造の一気通貫最適化が次世代EDA課題となっています。
