Fotolitografi innebär att manipulera ljus för att exakt etsa detaljer på en yta, och används vanligtvis för att tillverka datorchips och optiska enheter som linser. Men små avvikelser under tillverkningsprocessen gör ofta att dessa enheter inte når sina designers avsikter.
För att hjälpa till att överbrygga detta gap mellan design och tillverkning använde forskare från MIT och det kinesiska universitetet i Hong Kong maskininlärning för att bygga en digital simulator som efterliknar en specifik fotolitografitillverkningsprocess. Deras teknik använder verklig data som samlats in från fotolitografisystemet, så det kan mer exakt modellera hur systemet skulle tillverka en design.
Forskarna integrerar denna simulator i ett designramverk, tillsammans med en annan digital simulator som emulerar prestandan hos den tillverkade enheten i nedströmsuppgifter, som att producera bilder med beräkningskameror. Dessa anslutna simulatorer gör det möjligt för en användare att producera en optisk enhet som bättre matchar dess design och uppnår bästa uppgiftsprestanda.
Denna teknik kan hjälpa forskare och ingenjörer att skapa mer exakta och effektiva optiska enheter för applikationer som mobilkameror, förstärkt verklighet, medicinsk bildbehandling, underhållning och telekommunikation. Och eftersom pipelinen för att lära sig den digitala simulatorn använder verklig data, kan den tillämpas på ett brett utbud av fotolitografisystem.
"Den här idén låter enkel, men anledningarna till att folk inte har provat det här tidigare är att riktig data kan vara dyr och det finns inga prejudikat för hur man effektivt kan koordinera mjukvaran och hårdvaran för att bygga en högfientlig datauppsättning", säger Cheng Zheng, en maskiningenjörsstudent som är medförfattare till ett dokument med öppen tillgång som beskriver arbetet som lagts upp på arXiv förtrycksserver.
"Vi har tagit risker och gjort omfattande utforskningar, till exempel utvecklat och prövat karaktäriseringsverktyg och datautforskningsstrategier, för att fastställa ett fungerande schema. Resultatet är förvånansvärt bra och visar att riktig data fungerar mycket mer effektivt och exakt än data som genereras av simulatorer sammansatta av analytiska ekvationer Även om det kan vara dyrt och man kan känna sig aningslös i början, är det värt att göra
Zheng skrev uppsatsen tillsammans med huvudförfattaren Guangyuan Zhao, en doktorand vid det kinesiska universitetet i Hong Kong; och hennes rådgivare, Peter T. So, professor i maskinteknik och biologisk teknik vid MIT. Forskningen kommer att presenteras på SIGGRAPH Asia Conference.
Fotolitografi innebär att projicera ett ljusmönster på en yta, vilket orsakar en kemisk reaktion som etsar in egenskaper i underlaget. Den tillverkade enheten slutar dock med ett något annorlunda mönster på grund av små avvikelser i ljusets diffraktion och små variationer i den kemiska reaktionen.
Eftersom fotolitografi är komplex och svår att modellera, bygger många befintliga designmetoder på ekvationer som härrör från fysiken. Dessa allmänna ekvationer ger en viss känsla av tillverkningsprocessen men kan inte fånga alla avvikelser som är specifika för ett fotolitografisystem. Detta kan göra att enheter underpresterar i den verkliga världen.
För sin teknik, som de kallar neural litografi, bygger forskarna från MIT sin fotolitografisimulator med fysikbaserade ekvationer som bas, och inkorporerar sedan ett neuralt nätverk tränat på verkliga, experimentella data från en användares fotolitografisystem. Detta neurala nätverk, en typ av maskininlärningsmodell löst baserad på den mänskliga hjärnan, lär sig att kompensera för många av systemets specifika avvikelser.
Forskarna samlar in data för sin metod genom att generera många konstruktioner som täcker ett brett spektrum av funktionsstorlekar och former, som de tillverkar med hjälp av fotolitografisystemet. De mäter de slutliga strukturerna och jämför dem med designspecifikationer, parar ihop dessa data och använder dem för att träna ett neuralt nätverk för sin digitala simulator.
"Prestandan hos inlärda simulatorer beror på den data som matas in, och data som artificiellt genereras från ekvationer kan inte täcka verkliga avvikelser, varför det är viktigt att ha verklig data", säger Zheng.
Den digitala litografisimulatorn består av två separata komponenter:en optikmodell som fångar hur ljus projiceras på enhetens yta, och en resistmodell som visar hur den fotokemiska reaktionen sker för att producera särdrag på ytan.
I en nedströmsuppgift kopplar de denna inlärda fotolitografisimulator till en fysikbaserad simulator som förutsäger hur den tillverkade enheten kommer att prestera på denna uppgift, till exempel hur en diffraktiv lins kommer att diffraktera ljuset som träffar den.
Användaren anger vilka resultat de vill att en enhet ska uppnå. Sedan arbetar dessa två simulatorer tillsammans inom ett större ramverk som visar användaren hur man gör en design som når dessa prestationsmål.
"Med vår simulator kan det tillverkade objektet få bästa möjliga prestanda på en nedströmsuppgift, som beräkningskamerorna, en lovande teknik för att göra framtida kameror miniatyriserade och kraftfullare. Vi visar det, även om du använder efterkalibrering för att försöka och få ett bättre resultat, kommer det fortfarande inte att vara lika bra som att ha vår fotolitografimodell i slingan", tillägger Zhao.
De testade denna teknik genom att tillverka ett holografiskt element som genererar en fjärilsbild när ljus lyser på den. Jämfört med enheter designade med andra tekniker, producerade deras holografiska element en nästan perfekt fjäril som mer matchade designen. De producerade också en diffraktionslins med flera nivåer, som hade bättre bildkvalitet än andra enheter.
I framtiden vill forskarna förbättra sina algoritmer för att modellera mer komplicerade enheter och även testa systemet med hjälp av konsumentkameror. Dessutom vill de utöka sitt tillvägagångssätt så att det kan användas med olika typer av fotolitografisystem, till exempel system som använder djupt eller extremt ultraviolett ljus.
Mer information: Cheng Zheng et al., Close the Design-to-Manufacturing Gap in Computational Optics med en "Real2Sim" inlärd två-foton neural litografisimulator, SIGGRAPH Asia 2023 Conference Papers (2023). DOI:10.1145/3610548.3618251. På arXiv :DOI:10.48550/arxiv.2309.17343
Journalinformation: arXiv
Tillhandahålls av Massachusetts Institute of Technology
