光源光罩最佳化（SMO：Source-Mask Optimization）是同時最佳化微影曝光光源的形狀（光源形狀）與光罩上的圖案（含 OPC 修正），藉此將晶圓上轉印圖案的保真度・焦深（DOF）・曝光裕度最大化的計算微影技術。可定位為把 OPC（光學鄰近效應修正）擴展到光源設計的技術。
SMO 以照明形狀（雙極・四極・自由形狀等）與光罩圖案（主圖案＋輔助圖形）為變數，以基於微影模擬（Hopkins 繞射計算）的最佳化演算法（逆問題求解器）求解。最佳化的目標函數包括晶圓 EPE（Edge Placement Error）最小化・製程窗口最大化等。
SMO 重要性提高的背景，在於 EUV 曝光機與先進 DUV 浸潤式掃描機所使用的自由形狀照明（艾司摩爾的彈性照明器（flexible illuminator））的普及。照明形狀的自由度越高，最佳化的效果就越大，但計算量也變得非常龐大。SMO 透過與 EDA（Electronic Design Automation）工具的整合，被納入光罩資料製作流程中。
SMO 是與光罩製造密不可分的技術。將 SMO 最佳化得到的自由形狀照明輪廓設定到掃描機上，並以電子束寫入機（mask writer）寫入對應的 OPC 修正後光罩資料。光罩的製造精度（CD 精度・位置精度）決定了實現 SMO 效果的極限，因此與光罩設備（mask-writing・mask-repair）的協同很重要。
計算工具方面，新思科技（Synopsys，Sentaurus Lithography）、Mentor Graphics（Calibre）、艾司摩爾（Brion TachyonSMO）是主要業者。運用 AI/機器學習加速 SMO 計算的研究也在進行中，從圖案設計→SMO→OPC→光罩製造的一條龍最佳化已成為次世代 EDA 的課題。