A fotolitografia envolve a manipulação da luz para gravar com precisão características em uma superfície e é comumente usada para fabricar chips de computador e dispositivos ópticos como lentes. Mas pequenos desvios durante o processo de fabricação muitas vezes fazem com que esses dispositivos fiquem aquém das intenções dos projetistas.



Para ajudar a preencher essa lacuna entre o projeto e a fabricação, pesquisadores do MIT e da Universidade Chinesa de Hong Kong usaram o aprendizado de máquina para construir um simulador digital que imita um processo específico de fabricação de fotolitografia. Sua técnica utiliza dados reais coletados do sistema de fotolitografia, para poder modelar com mais precisão como o sistema fabricaria um projeto.

Os pesquisadores integram esse simulador em uma estrutura de design, juntamente com outro simulador digital que emula o desempenho do dispositivo fabricado em tarefas posteriores, como a produção de imagens com câmeras computacionais. Esses simuladores conectados permitem ao usuário produzir um dispositivo óptico que melhor corresponda ao seu design e alcance o melhor desempenho da tarefa.

Esta técnica poderia ajudar cientistas e engenheiros a criar dispositivos ópticos mais precisos e eficientes para aplicações como câmeras móveis, realidade aumentada, imagens médicas, entretenimento e telecomunicações. E como o pipeline de aprendizagem do simulador digital utiliza dados do mundo real, ele pode ser aplicado a uma ampla gama de sistemas de fotolitografia.

“Essa ideia parece simples, mas as razões pelas quais as pessoas nunca tentaram isso antes é que os dados reais podem ser caros e não há precedentes sobre como coordenar efetivamente o software e o hardware para construir um conjunto de dados de alta fidelidade”, diz Cheng Zheng, um estudante de graduação em engenharia mecânica que é co-autor principal de um artigo de acesso aberto que descreve o trabalho postado no arXiv servidor de pré-impressão.

"Assumimos riscos e fizemos uma exploração extensiva, por exemplo, desenvolvendo e testando ferramentas de caracterização e estratégias de exploração de dados, para determinar um esquema de trabalho. O resultado é surpreendentemente bom, mostrando que os dados reais funcionam com muito mais eficiência e precisão do que os dados gerados por simuladores compostos de equações analíticas Mesmo que possa ser caro e a pessoa possa se sentir sem noção no início, vale a pena fazer."

Zheng escreveu o artigo com o co-autor principal Guangyuan Zhao, um estudante de pós-graduação da Universidade Chinesa de Hong Kong; e seu orientador, Peter T. So, professor de engenharia mecânica e engenharia biológica no MIT. A pesquisa será apresentada na Conferência SIGGRAPH Asia.

Imprimindo com luz

A fotolitografia envolve a projeção de um padrão de luz em uma superfície, o que causa uma reação química que grava características no substrato. No entanto, o dispositivo fabricado acaba com um padrão ligeiramente diferente devido a minúsculos desvios na difração da luz e pequenas variações na reação química.

Como a fotolitografia é complexa e difícil de modelar, muitas abordagens de projeto existentes dependem de equações derivadas da física. Estas equações gerais dão uma ideia do processo de fabricação, mas não conseguem capturar todos os desvios específicos de um sistema de fotolitografia. Isso pode fazer com que os dispositivos tenham desempenho inferior no mundo real.

Para sua técnica, que eles chamam de litografia neural, os pesquisadores do MIT constroem seu simulador de fotolitografia usando equações baseadas na física como base e, em seguida, incorporam uma rede neural treinada em dados experimentais reais do sistema de fotolitografia de um usuário. Essa rede neural, um tipo de modelo de aprendizado de máquina vagamente baseado no cérebro humano, aprende a compensar muitos dos desvios específicos do sistema.

Os pesquisadores coletam dados para seu método gerando muitos projetos que cobrem uma ampla gama de tamanhos e formas de recursos, que eles fabricam usando o sistema de fotolitografia. Eles medem as estruturas finais e as comparam com as especificações do projeto, emparelhando esses dados e usando-os para treinar uma rede neural para seu simulador digital.

“O desempenho dos simuladores aprendidos depende dos dados alimentados, e os dados gerados artificialmente a partir de equações não podem cobrir os desvios do mundo real, por isso é importante ter dados do mundo real”, diz Zheng.

Simuladores duplos

O simulador de litografia digital consiste em dois componentes separados:um modelo óptico que captura como a luz é projetada na superfície do dispositivo e um modelo de resistência que mostra como ocorre a reação fotoquímica para produzir características na superfície.

Em uma tarefa posterior, eles conectam este simulador de fotolitografia aprendido a um simulador baseado em física que prevê o desempenho do dispositivo fabricado nesta tarefa, por exemplo, como uma lente difrativa irá difratar a luz que o atinge.

O usuário especifica os resultados que deseja que o dispositivo alcance. Então, esses dois simuladores trabalham juntos dentro de uma estrutura maior que mostra ao usuário como fazer um projeto que atinja essas metas de desempenho.

"Com nosso simulador, o objeto fabricado pode obter o melhor desempenho possível em uma tarefa posterior, como as câmeras computacionais, uma tecnologia promissora para tornar futuras câmeras miniaturizadas e mais poderosas. Mostramos isso, mesmo se você usar a pós-calibração para tentar e Para obter um resultado melhor, ainda não será tão bom quanto ter nosso modelo de fotolitografia em ação", acrescenta Zhao.

Eles testaram essa técnica fabricando um elemento holográfico que gera uma imagem de borboleta quando a luz incide sobre ela. Quando comparado com dispositivos projetados usando outras técnicas, seu elemento holográfico produziu uma borboleta quase perfeita que combinava mais com o design. Eles também produziram lentes de difração multinível, que apresentavam melhor qualidade de imagem do que outros dispositivos.

No futuro, os pesquisadores querem aprimorar seus algoritmos para modelar dispositivos mais complicados e também testar o sistema usando câmeras de consumo. Além disso, eles querem expandir sua abordagem para que ela possa ser usada com diferentes tipos de sistemas de fotolitografia, como sistemas que utilizam luz ultravioleta profunda ou extrema.

Mais informações: Cheng Zheng et al, Close the Design-to-Manufacturing Gap in Computational Optics with a 'Real2Sim' Learned Two-Photon Neural Lithography Simulator, SIGGRAPH Asia 2023 Conference Papers (2023). DOI:10.1145/3610548.3618251. No arXiv :DOI:10.48550/arxiv.2309.17343
Informações do diário: arXiv

Fornecido pelo Instituto de Tecnologia de Massachusetts