客服热线：
手机版
二维码
光刻涉及操纵光线以将特征精确地蚀刻到表面上，通常用于制造计算机芯片和透镜等光学设备。但是，制造过程中的微小偏差往往会导致这些设备达不到设计人员的意图。
为了帮助缩小这一从设计到制造的差距，麻省理工学院和香港中文大学的研究人员使用机器学习构建了一个数字模拟器，模拟了特定的光刻制造过程。他们的技术利用从光刻系统收集的真实数据，因此可以更准确地模拟系统如何制造设计。
研究人员将该模拟器集成到一个设计框架中，以及另一个数字模拟器，该仿真器模拟制造设备在下游任务中的性能，例如使用计算相机生成图像。这些连接的模拟器使用户能够生产出与其设计更匹配并达到最佳任务性能的光学设备。
这项技术可以帮助科学家和工程师为移动相机、增强现实、医学成像、娱乐和电信等应用创建更准确、更高效的光学设备。而且，由于学习数字模拟器的管道利用了真实世界的数据，因此它可以应用于各种光刻系统。
“这个想法听起来很简单，但人们以前没有尝试过的原因是，真实数据可能很昂贵，而且没有先例可以有效地协调软件和硬件来构建高保真数据集，”机械工程研究生Cheng Zheng说，他是一篇开放获取论文的共同主要作者，该论文描述了发布到arXiv预印本服务器的工作。
“我们冒着风险进行了广泛的探索，例如，开发和尝试表征工具和数据探索策略，以确定可行的方案。结果出乎意料地好，表明真实数据比由分析方程组成的模拟器生成的数据更有效、更精确。尽管它可能很昂贵，而且一开始可能会感到无能为力，但这是值得的。
Zheng与共同主要作者，香港中文大学研究生Guangyuan Zhao共同撰写了这篇论文;和她的顾问彼得·所以，麻省理工学院机械工程和生物工程教授。该研究将在SIGGRAPH亚洲会议上发布。
光刻涉及将光的图案投射到表面上，这会引起化学反应，将特征蚀刻到基板中。然而，由于光衍射的微小偏差和化学反应的微小变化，制造的装置最终的模式略有不同。
由于光刻技术复杂且难以建模，因此许多现有的设计方法都依赖于从物理学中推导出的方程。这些一般方程可以对制造过程有所了解，但无法捕获光刻系统特有的所有偏差。这可能会导致设备在现实世界中表现不佳。
麻省理工学院的研究人员使用基于物理的方程作为基础，构建了他们的光刻模拟器，然后结合了基于用户光刻系统的真实实验数据训练的神经网络。这种神经网络是一种松散地基于人脑的机器学习模型，它学习补偿系统的许多特定偏差。
研究人员通过生成许多涵盖各种特征尺寸和形状的设计来收集方法的数据，他们使用光刻系统制造这些设计。他们测量最终结构并将其与设计规范进行比较，将这些数据配对，并使用它们为他们的数字模拟器训练神经网络。
“学习模拟器的性能取决于输入的数据，而从方程式中人为生成的数据无法涵盖真实世界的偏差，这就是为什么拥有真实世界的数据很重要的原因，”郑说。
数字光刻模拟器由两个独立的组件组成：一个光学模型，用于捕获光如何投射到设备表面，以及一个光刻胶模型，用于显示光化学反应如何发生以在表面上产生特征。
在下游任务中，他们将这个学习到的光刻模拟器连接到一个基于物理的模拟器，该模拟器预测制造的设备将如何执行这项任务，例如衍射透镜将如何衍射照射到它的光。
用户指定他们希望设备实现的结果。然后，这两个模拟器在一个更大的框架内协同工作，向用户展示如何进行能够达到这些性能目标的设计。
“使用我们的模拟器，制造的物体可以在下游任务中获得最佳性能，例如计算相机，这是一项有前途的技术，可以使未来的相机小型化和更强大。我们表明，即使你使用后校准来尝试获得更好的结果，它仍然不如我们的光刻模型在循环中，“Zhao补充道。
他们通过制造一种全息元素来测试这种技术，当光线照射到它上面时，它会生成蝴蝶图像。与使用其他技术设计的设备相比，它们的全息元素产生了近乎完美的蝴蝶，与设计更加匹配。他们还生产了一种多级衍射透镜，其图像质量优于其他设备。
未来，研究人员希望增强他们的算法，以对更复杂的设备进行建模，并使用消费类相机测试系统。此外，他们希望扩展他们的方法，以便它可以与不同类型的光刻系统一起使用，例如使用深紫外光或极紫外光的系统。
