Die Forscher integrieren diesen Simulator in ein Design-Framework, zusammen mit einem weiteren digitalen Simulator, der die Leistung des gefertigten Bauteils in nachfolgenden Aufgaben, wie beispielsweise der Bilderzeugung mit Computerkameras, emuliert. Diese miteinander verbundenen Simulatoren ermöglichen es dem Benutzer, ein optisches Bauteil herzustellen, das besser zu seinem Design passt und in der jeweiligen Aufgabe optimale Leistung erbringt.
Dieses Verfahren könnte Wissenschaftlern und Ingenieuren helfen, präzisere und effizientere optische Geräte für Anwendungen wie mobile Kameras, Augmented Reality, medizinische Bildgebung, Unterhaltung und Telekommunikation zu entwickeln. Da der Lernprozess des digitalen Simulators mit realen Daten arbeitet, ist er auf eine Vielzahl von Fotolithografiesystemen anwendbar.
„Die Idee erscheint simpel, doch bisher wurde sie nicht umgesetzt, da reale Daten oft teuer sind und es keine Präzedenzfälle für die effektive Koordination von Software und Hardware zur Erstellung eines hochpräzisen Datensatzes gibt“, erklärt Cheng Zheng, Doktorand im Maschinenbau und Mitautor einer Open-Access-Publikation, die die Arbeit beschreibt. „Wir sind Risiken eingegangen und haben umfangreiche Untersuchungen durchgeführt – beispielsweise die Entwicklung und das Testen von Charakterisierungswerkzeugen und Datenexplorationsstrategien –, um ein funktionierendes Verfahren zu finden. Das Ergebnis ist überraschend gut und zeigt, dass reale Daten deutlich effektiver und genauer sind als Daten, die von Simulatoren mit analytischen Gleichungen generiert werden. Auch wenn es kostspielig sein kann und man sich anfangs etwas verloren fühlt, lohnt sich der Aufwand.“.
Zheng verfasste den Artikel gemeinsam mit Guangyuan Zhao, einem Erstautor und Doktoranden an der Chinesischen Universität Hongkong, sowie deren Betreuer Peter T. So, Professor für Maschinenbau und Bioingenieurwesen am MIT. Die Forschungsergebnisse werden auf der SIGGRAPH Asia Conference vorgestellt.
Drucken mit Licht
Bei der Fotolithografie wird ein Lichtmuster auf eine Oberfläche projiziert, wodurch eine chemische Reaktion ausgelöst wird, die die Strukturen in das Substrat ätzt. Das fertige Bauteil weist jedoch aufgrund minimaler Abweichungen in der Lichtbeugung und geringfügiger Schwankungen in der chemischen Reaktion ein leicht abweichendes Muster auf.
Da die Fotolithografie komplex und schwer zu modellieren ist, basieren viele bestehende Designansätze auf physikalischen Gleichungen. Diese allgemeinen Gleichungen liefern zwar Einblicke in den Herstellungsprozess, können aber nicht alle spezifischen Variationen eines Fotolithografiesystems erfassen. Dies kann dazu führen, dass Bauteile in realen Anwendungen nicht die erwartete Leistung erbringen.
Für ihre Technik, die sie neuronale Lithografie nennen, entwickeln die MIT-Forscher einen Fotolithografie-Simulator auf Basis physikalischer Gleichungen. Anschließend integrieren sie ein neuronales Netzwerk, das mit realen experimentellen Daten eines Fotolithografiesystems trainiert wurde. Dieses neuronale Netzwerk, ein maschinelles Lernmodell, das lose auf dem menschlichen Gehirn basiert, lernt, viele der systemspezifischen Abweichungen auszugleichen.
Die Forscher sammeln Daten für ihre Methode, indem sie zahlreiche Entwürfe mit unterschiedlichsten Strukturgrößen und -formen generieren und diese anschließend mithilfe eines Fotolithografiesystems herstellen. Sie vermessen die fertigen Strukturen, vergleichen sie mit den Entwurfsspezifikationen und nutzen diese Daten, um ein neuronales Netzwerk für ihren digitalen Simulator zu trainieren.
„Die Leistungsfähigkeit von trainierten Simulatoren hängt von den Eingangsdaten ab, und künstlich aus Gleichungen erzeugte Daten können Abweichungen in der realen Welt nicht abdecken. Deshalb ist es wichtig, über reale Daten zu verfügen“, sagt Zheng.
Doppelsimulatoren
Der digitale Lithographiesimulator besteht aus zwei separaten Komponenten: einem optischen Modell, das erfasst, wie Licht auf die Oberfläche des Bauelements projiziert wird, und einem Widerstandsmodell, das zeigt, wie die photochemische Reaktion abläuft, um Strukturen auf der Oberfläche zu erzeugen.
In einem nachfolgenden Schritt verbinden sie diesen erlernten Photolithographie-Simulator mit einem physikalischen Simulator, der das Verhalten des gefertigten Bauteils vorhersagt – beispielsweise, wie eine diffraktive Linse das einfallende Licht beugt.
Der Benutzer legt die gewünschten Ergebnisse für das Bauteil fest. Diese beiden Simulatoren arbeiten dann in einem übergeordneten Rahmen zusammen, der dem Benutzer zeigt, wie er ein Design erstellt, das diese Leistungsziele erreicht.
„Mit unserem Simulator kann das gefertigte Objekt in einer nachfolgenden Aufgabe, wie beispielsweise bei computergestützten Kameras – einer vielversprechenden Technologie zur Miniaturisierung und Leistungssteigerung zukünftiger Kameras –, die bestmögliche Leistung erzielen. Wir haben gezeigt, dass selbst eine nachträgliche Kalibrierung zur Verbesserung des Ergebnisses nicht an die Qualität unseres photolithografischen Modells heranreicht“, fügt Zhao hinzu.
Sie testeten diese Technik, indem sie ein holografisches Element herstellten, das bei Lichteinfall ein Schmetterlingsbild erzeugt. Im Vergleich zu Geräten, die mit anderen Techniken entwickelt wurden, erzeugte ihr holografisches Element einen nahezu perfekten Schmetterling, der dem Design besser entsprach. Sie fertigten außerdem eine mehrstufige Beugungslinse mit besserer Bildqualität als andere Geräte.
Zukünftig wollen die Forscher ihre Algorithmen verfeinern, um komplexere Geräte zu modellieren und das System mit handelsüblichen Kameras zu testen. Außerdem möchten sie den Anwendungsbereich erweitern, sodass es mit verschiedenen Arten von Fotolithografiesystemen, beispielsweise solchen, die tiefes oder extremes ultraviolettes Licht nutzen, verwendet werden kann.
Diese Forschung wird teilweise von den U.S. National Institutes of Health, Fujikura Limited und dem Hong Kong Innovation and Technology Fund finanziert.
###
