Wypełnianie luki pomiędzy projektowaniem i produkcją urządzeń optycznych

Fotolitografia polega na manipulowaniu światłem w celu precyzyjnego wytrawienia cech na powierzchni i jest powszechnie stosowana do produkcji chipów komputerowych i urządzeń optycznych, takich jak soczewki. Jednak niewielkie odchylenia w procesie produkcyjnym często powodują, że urządzenia te nie spełniają zamierzeń ich projektantów.

Aby pomóc wypełnić tę lukę między projektowaniem a produkcją, naukowcy z MIT i Chińskiego Uniwersytetu w Hongkongu wykorzystali uczenie maszynowe do zbudowania cyfrowego symulatora, który symuluje specyficzny proces produkcyjny fotolitografii. Ich technologia wykorzystuje rzeczywiste dane zebrane z systemu fotolitograficznego, dzięki czemu może dokładniej modelować sposób, w jaki system wytwarza projekt.

Naukowcy włączają ten symulator do struktury projektowej wraz z innym symulatorem cyfrowym, który naśladuje działanie wyprodukowanego urządzenia w dalszych zadaniach, takich jak tworzenie obrazów za pomocą kamer obliczeniowych. Te połączone symulatory umożliwiają użytkownikowi wyprodukowanie urządzenia optycznego, które najlepiej pasuje do jego konstrukcji i zapewnia optymalną wydajność zadania.

Technologia ta może pomóc naukowcom i inżynierom w tworzeniu dokładniejszych i wydajniejszych urządzeń optycznych do zastosowań takich jak kamery mobilne, rzeczywistość rozszerzona, obrazowanie medyczne, rozrywka i komunikacja. Ponieważ ścieżka edukacyjna z symulacją cyfrową wykorzystuje dane ze świata rzeczywistego, można ją zastosować w szerokiej gamie systemów fotolitograficznych.

„Ten pomysł wydaje się prosty, ale ludzie nie próbowali tego wcześniej, ponieważ rzeczywiste dane mogą być drogie i nie ma precedensów na to, jak oprogramowanie i sprzęt mogą skutecznie koordynować działania w celu zbudowania zbioru danych o wysokiej rozdzielczości” – mówi Cheng Zheng. Absolwent inżynierii mechanicznej i współautor książki Otwarta kartka opisująca pracę. „Podjęliśmy ryzyko i podjęliśmy szeroko zakrojone badania, na przykład opracowując i eksperymentując z narzędziami do profilowania i strategiami eksploracji danych, aby określić plan działania. Wynik był zaskakująco dobry, pokazując, że rzeczywiste dane działają znacznie wydajniej i dokładniej niż dane generowane przez Równania analityczne. Chociaż może to być kosztowne i na początku można czuć się nieświadomym, warto to zrobić.

Cheng napisał artykuł wraz ze współautorem Guangyuanem Zhao, absolwentem Chińskiego Uniwersytetu w Hongkongu; Jej doradcą jest Peter T. Su, profesor inżynierii mechanicznej i biologicznej na MIT. Wyniki badania zostaną zaprezentowane na konferencji SIGGRAPH Asia.

Lekki nadruk

Fotolitografia polega na świeceniu wzoru światła na powierzchnię, powodując reakcję chemiczną, która wytrawia cechy w podłożu. Jednak wytworzone urządzenie ma nieco inny wzór ze względu na niewielkie odchylenia w dyfrakcji światła i niewielkie różnice w reaktywności chemicznej.

Ponieważ fotolitografia jest złożona i trudna do zaprojektowania, wiele obecnych metod projektowania opiera się na równaniach wywodzących się z fizyki. Te ogólne równania dają pewien sens procesu produkcyjnego, ale nie mogą uchwycić wszystkich odchyleń systemu fotolitograficznego. Może to skutkować słabą wydajnością sprzętu w świecie rzeczywistym.

Na potrzeby swojej techniki, którą nazywają litografią neuronową, naukowcy z MIT zbudowali symulator fotolitografii, wykorzystując równania oparte na fizyce jako podstawę, a następnie włączyli sieć neuronową trenowaną na rzeczywistych danych eksperymentalnych z systemu fotolitograficznego użytkownika. Ta sieć neuronowa, rodzaj modelu uczenia maszynowego luźno opartego na ludzkim mózgu, uczy się kompensować wiele odchyleń specyficznych dla systemu.

Naukowcy zbierają dane potrzebne do ich metody, tworząc liczne projekty obejmujące szeroki zakres rozmiarów i kształtów obiektów, które wytwarzają za pomocą systemu fotolitograficznego. Mierzą ostateczne struktury, porównują je ze specyfikacjami projektowymi, korelują te dane i wykorzystują je do szkolenia sieci neuronowej na potrzeby symulacji numerycznej.

„Wydajność wyuczonych symulatorów zależy od wprowadzanych danych, a dane sztucznie wygenerowane na podstawie równań nie mogą pokryć odchyleń w świecie rzeczywistym, dlatego ważne jest uzyskanie danych w świecie rzeczywistym” – mówi Cheng.

Podwójne symulatory

Symulator litografii cyfrowej składa się z dwóch oddzielnych elementów: modelu optycznego, który rejestruje, jak światło świeci na powierzchni urządzenia, oraz modelu rezystancyjnego, który pokazuje, jak zachodzi reakcja fotochemiczna, w wyniku której powstają elementy na powierzchni.

Podczas kolejnej misji połączyli ten symulator fotolitografii z symulatorem opartym na fizyce, który przewiduje, jak wyprodukowane urządzenie poradzi sobie z zadaniem, na przykład jak soczewka toryczna ugina padające na nią światło.

Użytkownik sam określa, jakie rezultaty chce uzyskać dzięki urządzeniu. Następnie te dwa symulatory współpracują ze sobą w ramach większej struktury, która pokazuje użytkownikowi, jak stworzyć projekt, który osiągnie te cele w zakresie wydajności.

„Dzięki naszemu symulatorowi wytworzony obiekt może uzyskać najlepszą możliwą wydajność w kolejnym zadaniu, takim jak kamery obliczeniowe, co jest obiecującą technologią, która sprawi, że przyszłe kamery będą mniejsze i potężniejsze. Pokazaliśmy to, nawet jeśli zastosujesz kalibrację po kalibracji spróbować to zrobić” – dodaje Zhao. „Jeśli uzyskamy lepszy wynik, nie będzie to tak dobre, jak posiadanie w pętli naszego modelu fotolitograficznego”.

Przetestowali tę technologię, wytwarzając element 3D, który generuje obraz motyla po oświetleniu. W porównaniu z urządzeniami zaprojektowanymi przy użyciu innych technik, jego element holograficzny stworzył niemal idealnego motyla, który bardziej pasował do projektu. Wyprodukowali także wielopłaszczyznową soczewkę dyfrakcyjną, która zapewniała lepszą jakość obrazu niż inne urządzenia.

W przyszłości badacze chcą udoskonalać swoje algorytmy, aby projektować bardziej złożone urządzenia, a także testować system przy użyciu kamer konsumenckich. Ponadto chcą rozszerzyć swoje podejście, aby można je było stosować w różnych typach systemów fotolitograficznych, takich jak systemy wykorzystujące głębokie lub ekstremalne światło ultrafioletowe.

Badania te są częściowo wspierane przez Narodowy Instytut Zdrowia Stanów Zjednoczonych, firmę Fujikura Limited oraz Fundusz Innowacji i Technologii w Hongkongu.