Nowa metoda umożliwia tworzenie urządzeń optycznych, które lepiej odpowiadają swoim specyfikacjom projektowym, zwiększając dokładność i wydajność. Fotolitografia polega na manipulowaniu światłem w celu precyzyjnego trawienia cech na powierzchni, i jest powszechnie stosowana do produkcji chipów komputerowych oraz urządzeń optycznych, takich jak soczewki. Jednak drobne odchylenia podczas procesu produkcyjnego często powodują, że te urządzenia nie spełniają intencji projektantów.
Aby pomóc zniwelować tę lukę między projektowaniem a produkcją, badacze z MIT i Chińskiego Uniwersytetu w Hongkongu wykorzystali uczenie maszynowe do stworzenia cyfrowego symulatora, który naśladuje konkretny proces produkcyjny fotolitografii. Ich technika wykorzystuje rzeczywiste dane zebrane z systemu fotolitografii, dzięki czemu może dokładniej modelować, jak system wykonałby projekt.
Badacze integrują ten symulator z ramami projektowymi, wraz z innym cyfrowym symulatorem, który naśladuje wydajność wytworzonego urządzenia w dalszych zadaniach, takich jak tworzenie obrazów za pomocą kamer obliczeniowych. Te połączone symulatory umożliwiają użytkownikowi wytworzenie urządzenia optycznego, które lepiej odpowiada jego projektowi i osiąga najlepszą wydajność zadania.
Ta technika może pomóc naukowcom i inżynierom stworzyć dokładniejsze i wydajniejsze urządzenia optyczne do zastosowań takich jak kamery mobilne, rzeczywistość rozszerzona, obrazowanie medyczne, rozrywka i telekomunikacja. Ponieważ łańcuch uczenia cyfrowego symulatora wykorzystuje dane z rzeczywistego świata, może być stosowany w szerokim zakresie systemów fotolitografii.
„Pomysł ten brzmi prosto, ale powody, dla których ludzie wcześniej tego nie próbowali, to koszt rzeczywistych danych i brak precedensów, jak skutecznie koordynować oprogramowanie i sprzęt, aby zbudować wysokiej jakości zbiór danych,” mówi Cheng Zheng, absolwent inżynierii mechanicznej, który jest współautorem otwartego artykułu opisującego tę pracę. „Podjęliśmy ryzyko i przeprowadziliśmy obszerne badania, na przykład rozwijając i testując narzędzia charakteryzacji i strategie eksploracji danych, aby określić działający schemat. Wynik jest zaskakująco dobry, pokazując, że rzeczywiste dane działają znacznie wydajniej i precyzyjniej niż dane generowane przez symulatory złożone z równań analitycznych. Mimo że może to być kosztowne i początkowo można czuć się zagubionym, jest to tego warte.”
Zheng napisał artykuł wspólnie z współautorem Guangyuanem Zhao, studentem Chińskiego Uniwersytetu w Hongkongu; oraz jego opiekunem, Peterem T. So, profesorem inżynierii mechanicznej i inżynierii biologicznej w MIT. Badania zostaną zaprezentowane na konferencji SIGGRAPH Asia.
Drukowanie światłem
Fotolitografia polega na rzutowaniu wzoru światła na powierzchnię, co powoduje reakcję chemiczną, która trawi cechy w podłożu. Jednak wytworzone urządzenie kończy się nieco innym wzorem z powodu drobnych odchyleń w dyfrakcji światła i niewielkich różnic w reakcji chemicznej.
Ponieważ fotolitografia jest złożona i trudna do zamodelowania, wiele istniejących podejść projektowych opiera się na równaniach pochodzących z fizyki. Te ogólne równania dają pewne pojęcie o procesie produkcji, ale nie mogą uchwycić wszystkich odchyleń specyficznych dla systemu fotolitografii. Może to powodować, że urządzenia w rzeczywistości działają poniżej oczekiwań.
W swojej technice, którą nazywają neuralną litografią, badacze z MIT budują swój symulator fotolitografii, używając równań opartych na fizyce jako bazy, a następnie włączają sieć neuronową szkoloną na rzeczywistych, eksperymentalnych danych z systemu fotolitografii użytkownika. Ta sieć neuronowa, rodzaj modelu uczenia maszynowego luźno opartego na ludzkim mózgu, uczy się kompensować wiele specyficznych odchyleń systemu.
Badacze zbierają dane do swojej metody, generując wiele projektów obejmujących szeroki zakres rozmiarów i kształtów cech, które wytwarzają za pomocą systemu fotolitografii. Mierzą końcowe struktury i porównują je ze specyfikacjami projektowymi, łącząc te dane i używając ich do szkolenia sieci neuronowej dla ich cyfrowego symulatora.
„Wydajność nauczonych symulatorów zależy od danych, które są w nie wprowadzane, a dane sztucznie generowane z równań nie mogą pokryć rzeczywistych odchyleń, dlatego ważne jest posiadanie danych z rzeczywistego świata,” mówi Zheng.
