La fotolitografía implica la manipulación de la luz para grabar con precisión características en una superficie y se usa comúnmente para fabricar chips de computadora y dispositivos ópticos como lentes. Pero pequeñas desviaciones durante el proceso de fabricación a menudo hacen que estos dispositivos no cumplan con las intenciones de sus diseñadores.
Para ayudar a cerrar esta brecha entre el diseño y la fabricación, investigadores del MIT y la Universidad China de Hong Kong utilizaron el aprendizaje automático para construir un simulador digital que imita un proceso de fabricación de fotolitografía específico. Su técnica utiliza datos reales recopilados del sistema de fotolitografía, por lo que puede modelar con mayor precisión cómo el sistema fabricaría un diseño.
Los investigadores integran este simulador en un marco de diseño, junto con otro simulador digital que emula el rendimiento del dispositivo fabricado en tareas posteriores, como la producción de imágenes con cámaras computacionales. Estos simuladores conectados permiten al usuario producir un dispositivo óptico que se adapte mejor a su diseño y alcance el mejor rendimiento de la tarea.
Esta técnica podría ayudar a científicos e ingenieros a crear dispositivos ópticos más precisos y eficientes para aplicaciones como cámaras móviles, realidad aumentada, imágenes médicas, entretenimiento y telecomunicaciones. Y debido a que el proceso de aprendizaje del simulador digital utiliza datos del mundo real, se puede aplicar a una amplia gama de sistemas de fotolitografía.
"Esta idea suena simple, pero las razones por las que la gente no lo ha probado antes es que los datos reales pueden ser costosos y no hay precedentes sobre cómo coordinar eficazmente el software y el hardware para construir un conjunto de datos de alta fidelidad", dice Cheng Zheng, un estudiante de posgrado en ingeniería mecánica que es coautor principal de un artículo de acceso abierto que describe el trabajo publicado en arXiv servidor de preimpresión.
"Hemos asumido riesgos y realizado una exploración exhaustiva, por ejemplo, desarrollando y probando herramientas de caracterización y estrategias de exploración de datos, para determinar un esquema de trabajo. El resultado es sorprendentemente bueno y demuestra que los datos reales funcionan de manera mucho más eficiente y precisa que los datos generados por simuladores compuestos por ecuaciones analíticas. Aunque puede resultar caro y uno puede sentirse despistado al principio, vale la pena hacerlo."
Zheng escribió el artículo con el coautor principal Guangyuan Zhao, estudiante de posgrado de la Universidad China de Hong Kong; y su asesor, Peter T. So, profesor de ingeniería mecánica e ingeniería biológica en el MIT. La investigación se presentará en la Conferencia SIGGRAPH Asia.
La fotolitografía implica proyectar un patrón de luz sobre una superficie, lo que provoca una reacción química que graba características en el sustrato. Sin embargo, el dispositivo fabricado termina con un patrón ligeramente diferente debido a minúsculas desviaciones en la difracción de la luz y pequeñas variaciones en la reacción química.
Debido a que la fotolitografía es compleja y difícil de modelar, muchos enfoques de diseño existentes se basan en ecuaciones derivadas de la física. Estas ecuaciones generales dan una idea del proceso de fabricación, pero no pueden capturar todas las desviaciones específicas de un sistema de fotolitografía. Esto puede provocar que los dispositivos tengan un rendimiento inferior en el mundo real.
Para su técnica, que llaman litografía neuronal, los investigadores del MIT construyen su simulador de fotolitografía utilizando ecuaciones basadas en la física como base y luego incorporan una red neuronal entrenada con datos experimentales reales del sistema de fotolitografía de un usuario. Esta red neuronal, un tipo de modelo de aprendizaje automático basado libremente en el cerebro humano, aprende a compensar muchas de las desviaciones específicas del sistema.
Los investigadores recopilan datos para su método generando muchos diseños que cubren una amplia gama de tamaños y formas de características, que fabrican utilizando el sistema de fotolitografía. Miden las estructuras finales y las comparan con las especificaciones de diseño, emparejan esos datos y los utilizan para entrenar una red neuronal para su simulador digital.
"El rendimiento de los simuladores aprendidos depende de los datos introducidos, y los datos generados artificialmente a partir de ecuaciones no pueden cubrir las desviaciones del mundo real, por lo que es importante tener datos del mundo real", afirma Zheng.
El simulador de litografía digital consta de dos componentes separados:un modelo óptico que captura cómo se proyecta la luz en la superficie del dispositivo y un modelo resistente que muestra cómo ocurre la reacción fotoquímica para producir características en la superficie.
En una tarea posterior, conectan este simulador de fotolitografía aprendido a un simulador basado en la física que predice cómo se desempeñará el dispositivo fabricado en esta tarea, por ejemplo, cómo una lente difractiva difractará la luz que incide sobre ella.
El usuario especifica los resultados que desea que logre un dispositivo. Luego, estos dos simuladores trabajan juntos dentro de un marco más amplio que muestra al usuario cómo hacer un diseño que alcanzará esos objetivos de rendimiento.
"Con nuestro simulador, el objeto fabricado puede obtener el mejor rendimiento posible en una tarea posterior, como las cámaras computacionales, una tecnología prometedora para hacer que las futuras cámaras sean miniaturizadas y más potentes. Lo demostramos, incluso si se utiliza la poscalibración para intentar y Para obtener un mejor resultado, todavía no será tan bueno como tener nuestro modelo de fotolitografía en el circuito", añade Zhao.
Probaron esta técnica fabricando un elemento holográfico que genera una imagen de mariposa cuando la luz incide sobre él. En comparación con dispositivos diseñados utilizando otras técnicas, su elemento holográfico produjo una mariposa casi perfecta que se asemejaba más al diseño. También produjeron una lente de difracción multinivel, que tenía mejor calidad de imagen que otros dispositivos.
En el futuro, los investigadores quieren mejorar sus algoritmos para modelar dispositivos más complicados y también probar el sistema utilizando cámaras de consumo. Además, quieren ampliar su enfoque para que pueda usarse con diferentes tipos de sistemas de fotolitografía, como sistemas que utilizan luz ultravioleta profunda o extrema.
Más información: Cheng Zheng et al, Cerrar la brecha entre el diseño y la fabricación en óptica computacional con un simulador de litografía neuronal de dos fotones aprendido 'Real2Sim', Documentos de la conferencia SIGGRAPH Asia 2023 (2023). DOI:10.1145/3610548.3618251. En arXiv :DOI:10.48550/arxiv.2309.17343
Información de la revista: arXiv
Proporcionado por el Instituto de Tecnología de Massachusetts
