[ad_1]
La fotolitografía implica manipular la luz para grabar características precisas en una superficie. A menudo se utiliza para fabricar chips de computadora y dispositivos ópticos como lentes. Pero pequeñas desviaciones durante el proceso de fabricación a menudo resultan en que estos dispositivos no cumplan con las intenciones de sus diseñadores.
Para cerrar esta brecha entre diseño y fabricación, investigadores del MIT y la Universidad China de Hong Kong utilizaron el aprendizaje automático para desarrollar un simulador digital que imita un proceso de fabricación fotolitográfico específico. Su técnica utiliza datos reales capturados por el sistema de fotolitografía, lo que le permite modelar con mayor precisión cómo el sistema produciría un diseño.
Los investigadores están integrando este simulador, junto con otro simulador digital, en un marco de diseño que emula el rendimiento del dispositivo fabricado en tareas posteriores, como la creación de imágenes con cámaras de computadora. Estos simuladores conectados permiten al usuario crear un dispositivo óptico que se adapte mejor a su diseño y logre el mejor rendimiento de la tarea.
Esta técnica podría ayudar a científicos e ingenieros a desarrollar 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 reales, se puede aplicar a una variedad de sistemas de fotolitografía.
«Esta idea parece simple, pero la gente nunca la ha probado porque los datos del mundo real pueden ser costosos y no hay precedentes sobre cómo coordinar eficazmente el software y el hardware para crear un conjunto de datos de alta fidelidad», afirma Cheng Zheng. un estudiante de posgrado en ingeniería mecánica que es coautor principal de un artículo de acceso abierto que describe el trabajo. “Asumimos riesgos y realizamos investigaciones exhaustivas, como desarrollar y probar herramientas de caracterización y estrategias de exploración de datos, para establecer un esquema de trabajo. El resultado es sorprendentemente bueno y muestra que los datos reales funcionan de manera mucho más eficiente y precisa que los datos generados por simuladores que consisten en ecuaciones analíticas. Aunque puede ser costoso y al principio puede que te sientas desorientado, vale la pena”.
Zheng fue coautor del 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 y biológica en el MIT. La investigación se presentará en la Conferencia SIGGRAPH Asia.
Impresión con luz
La fotolitografía implica proyectar un patrón de luz sobre una superficie, lo que desencadena una reacción química que graba características en el sustrato. Sin embargo, debido a ligeras variaciones en la difracción de la luz y ligeras variaciones en la reacción química, el dispositivo producido finalmente tiene un patrón ligeramente diferente.
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 proporcionan una idea del proceso de fabricación, pero no pueden capturar todas las variaciones específicas de un sistema de fotolitografía. Esto puede hacer 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 basado en ecuaciones físicas y luego integran 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 mediante la creación de 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, combinan estos datos y los utilizan para entrenar una red neuronal para su simulador digital.
«El rendimiento de los simuladores aprendidos depende de los datos de entrada, 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», dice Zheng.
Simuladores duales
El simulador de litografía digital consta de dos componentes separados: un modelo óptico que captura cómo se proyecta la luz sobre la superficie del dispositivo y un modelo resistente que muestra cómo ocurre la reacción fotoquímica para crear estructuras en la superficie.
En una tarea posterior, conectan este simulador de fotolitografía aprendido con un simulador basado en la física que predice cómo el dispositivo fabricado realizará esta tarea, por ejemplo, cómo una lente difractiva difracta la luz incidente.
El usuario especifica los resultados que quiere que logre un dispositivo. Luego, estos dos simuladores trabajan juntos en un marco más amplio que muestra al usuario cómo crear un diseño que logre estos objetivos de rendimiento.
“Nuestro simulador permite que el objeto fabricado alcance el mejor rendimiento posible en una tarea posterior, como las cámaras de computadora, una tecnología prometedora para hacer que las cámaras futuras sean miniaturizadas y más potentes. Demostramos que incluso si se intenta obtener un mejor resultado con la poscalibración, todavía no es tan bueno como nuestro modelo de fotolitografía de circuito cerrado”, añade Zhao.
Probaron esta técnica creando un elemento holográfico que crea una imagen de una mariposa cuando se expone a la luz. En comparación con los dispositivos diseñados con otras técnicas, su elemento holográfico produjo una mariposa casi perfecta que era más consistente con el diseño. También fabricaron una lente de difracción de múltiples etapas que tenía mejor calidad de imagen que otros dispositivos.
En el futuro, los investigadores quieren seguir desarrollando sus algoritmos para modelar dispositivos más complejos y también probar el sistema con 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.
Esta investigación cuenta con el apoyo parcial de los Institutos Nacionales de Salud de EE. UU., Fujikura Limited y el Fondo de Innovación y Tecnología de Hong Kong.
[ad_2]