Фотолитография включает в себя манипулирование светом для точного гравирования деталей на поверхности и обычно используется для изготовления компьютерных чипов и оптических устройств, таких как линзы. Но малейшие отклонения в процессе производства часто приводят к тому, что эти устройства не соответствуют замыслам их дизайнеров.
Чтобы устранить этот разрыв между проектированием и производством, исследователи из Массачусетского технологического института и Китайского университета Гонконга использовали машинное обучение для создания цифрового симулятора, имитирующего конкретный процесс производства фотолитографии. Их метод использует реальные данные, полученные от системы фотолитографии, поэтому он может более точно моделировать, как система будет изготавливать дизайн.
Исследователи интегрируют этот симулятор в структуру проектирования вместе с другим цифровым симулятором, который имитирует производительность изготовленного устройства в последующих задачах, таких как создание изображений с помощью вычислительных камер. Эти подключенные к сети симуляторы позволяют пользователю создать оптическое устройство, которое лучше соответствует его конструкции и обеспечивает наилучшее выполнение задач.
Этот метод может помочь ученым и инженерам создавать более точные и эффективные оптические устройства для таких приложений, как мобильные камеры, дополненная реальность, медицинская визуализация, развлечения и телекоммуникации. А поскольку процесс обучения цифрового симулятора использует реальные данные, его можно применять к широкому спектру фотолитографических систем.
«Эта идея кажется простой, но причина, по которой люди не пробовали ее раньше, заключается в том, что реальные данные могут быть дорогими, и не существует прецедентов эффективной координации программного и аппаратного обеспечения для создания набора данных высокой точности», — говорит Ченг Чжэн. аспирант-механик, который является соавтором статьи в открытом доступе, описывающей эту работу. «Мы пошли на риск и провели обширные исследования, например, разработав и опробовав инструменты описания и стратегии исследования данных, чтобы определить рабочую схему. Результат на удивление хорош: он показывает, что реальные данные работают гораздо эффективнее и точнее, чем данные, сгенерированные симуляторами, состоящими из аналитических уравнений. Несмотря на то, что это может быть дорого и поначалу можно чувствовать себя невежественным, это того стоит».
Чжэн написал статью вместе с соавтором Гуанъюань Чжао, аспирантом Китайского университета Гонконга; и ее советник Питер Т. Со, профессор машиностроения и биологической инженерии Массачусетского технологического института. Исследование будет представлено на азиатской конференции SIGGRAPH.
Печать со светом
Фотолитография предполагает проецирование светового рисунка на поверхность, что вызывает химическую реакцию, которая вытравливает детали на подложке. Однако изготовленное устройство в конечном итоге имеет немного другую картину из-за незначительных отклонений в дифракции света и крошечных изменений в химической реакции.
Поскольку фотолитография сложна и ее трудно моделировать, многие существующие подходы к проектированию основаны на уравнениях, полученных из физики. Эти общие уравнения дают некоторое представление о процессе изготовления, но не могут отразить все отклонения, характерные для фотолитографической системы. Это может привести к снижению производительности устройств в реальном мире.
Для своей техники, которую они называют нейронной литографией, исследователи из Массачусетского технологического института создают симулятор фотолитографии, используя в качестве основы физические уравнения, а затем включают нейронную сеть, обученную на реальных экспериментальных данных из пользовательской системы фотолитографии. Эта нейронная сеть, тип модели машинного обучения, основанной на человеческом мозге, учится компенсировать многие специфические отклонения системы.
Исследователи собирают данные для своего метода, создавая множество дизайнов, охватывающих широкий диапазон размеров и форм элементов, которые они изготавливают с помощью системы фотолитографии. Они измеряют окончательные конструкции и сравнивают их с проектными спецификациями, объединяют эти данные и используют их для обучения нейронной сети для своего цифрового симулятора.
«Производительность обученных симуляторов зависит от подаваемых данных, а данные, искусственно сгенерированные из уравнений, не могут покрыть реальные отклонения, поэтому так важно иметь реальные данные», — говорит Чжэн.
Двойные тренажеры
Симулятор цифровой литографии состоит из двух отдельных компонентов: модели оптики, которая фиксирует, как свет проецируется на поверхность устройства, и модели резиста, которая показывает, как происходит фотохимическая реакция, создающая элементы на поверхности.
В последующей задаче они подключают этот обученный симулятор фотолитографии к симулятору, основанному на физике, который предсказывает, как изготовленное устройство будет работать с этой задачей, например, как дифракционная линза будет преломлять падающий на нее свет.
Пользователь указывает результаты, которых он хочет достичь с помощью устройства. Затем эти два симулятора работают вместе в рамках более широкой структуры, которая показывает пользователю, как создать дизайн, который достигнет поставленных целей по производительности.
«С помощью нашего симулятора изготовленный объект может получить максимально возможную производительность при выполнении последующих задач, таких как вычислительные камеры, многообещающая технология, которая сделает будущие камеры миниатюрными и более мощными. Мы показываем, что даже если вы используете посткалибровку, чтобы попытаться получить лучший результат, это все равно будет не так хорошо, как использование нашей фотолитографической модели в цикле», — добавляет Чжао.
Они протестировали эту технику, изготовив голографический элемент, который создает изображение бабочки, когда на него падает свет. По сравнению с устройствами, разработанными с использованием других технологий, их голографический элемент создавал почти идеальную бабочку, которая более точно соответствовала дизайну. Они также выпустили многоуровневую дифракционную линзу, которая имела лучшее качество изображения, чем другие устройства.
В будущем исследователи хотят усовершенствовать свои алгоритмы для моделирования более сложных устройств, а также протестировать систему с использованием потребительских камер. Кроме того, они хотят расширить свой подход, чтобы его можно было использовать с различными типами фотолитографических систем, например с системами, использующими глубокий или экстремальный ультрафиолет.
Это исследование частично поддерживается Национальными институтами здравоохранения США, Fujikura Limited и Гонконгским фондом инноваций и технологий.