I ricercatori integrano questo simulatore in un framework di progettazione, insieme a un altro simulatore digitale che emula le prestazioni del dispositivo realizzato in attività successive, come la produzione di immagini con fotocamere per computer. Questi simulatori interconnessi consentono all'utente di realizzare un dispositivo ottico che meglio si adatti al proprio progetto e raggiunga prestazioni ottimali nell'attività da svolgere.
Questa tecnica potrebbe aiutare scienziati e ingegneri a creare dispositivi ottici più precisi ed efficienti per applicazioni quali fotocamere per dispositivi mobili, realtà aumentata, diagnostica per immagini in ambito medico, intrattenimento e telecomunicazioni. Inoltre, poiché il processo di apprendimento del simulatore digitale utilizza dati reali, può essere applicato a un'ampia gamma di sistemi fotolitografici.
"L'idea sembra semplice, ma i motivi per cui non è stata tentata prima sono che i dati reali possono essere costosi e non esiste un precedente su come coordinare efficacemente software e hardware per costruire un set di dati ad alta fedeltà", spiega Cheng Zheng, studente di dottorato in ingegneria meccanica e coautore principale di un articolo open access che descrive il lavoro. "Ci siamo presi dei rischi e abbiamo condotto un'esplorazione approfondita, ad esempio sviluppando e testando strumenti di caratterizzazione e strategie di esplorazione dei dati, per determinare uno schema funzionante. Il risultato è sorprendentemente buono e dimostra che i dati reali sono molto più efficaci e precisi dei dati generati da simulatori composti da equazioni analitiche. Anche se può essere costoso e all'inizio ci si potrebbe sentire un po' disorientati, ne vale assolutamente la pena.".
Zheng ha scritto l'articolo insieme a Guangyuan Zhao, coautore principale e studente di dottorato presso l'Università cinese di Hong Kong, e al loro relatore, Peter T. So, professore di ingegneria meccanica e biologica al MIT. La ricerca sarà presentata alla conferenza SIGGRAPH Asia.
Stampare con luce
La fotolitografia consiste nel proiettare un pattern di luce su una superficie, il che innesca una reazione chimica che incide le caratteristiche sul substrato. Tuttavia, il dispositivo finito presenta un pattern leggermente diverso a causa di minime deviazioni nella diffrazione della luce e piccole variazioni nella reazione chimica.
Poiché la fotolitografia è complessa e difficile da modellare, molti approcci di progettazione esistenti si basano su equazioni derivate dalla fisica. Queste equazioni generali forniscono alcune indicazioni sul processo di produzione, ma non sono in grado di cogliere tutte le variazioni specifiche di un sistema fotolitografico. Ciò può comportare prestazioni inferiori alle aspettative dei dispositivi nelle applicazioni reali.
Per la loro tecnica, che chiamano litografia neurale, i ricercatori del MIT costruiscono il loro simulatore di fotolitografia utilizzando equazioni basate sulla fisica come fondamento, e poi integrano una rete neurale addestrata con dati sperimentali reali provenienti dal sistema di fotolitografia di un utente. Questa rete neurale, un tipo di modello di apprendimento automatico vagamente ispirato al cervello umano, impara a compensare molte delle deviazioni specifiche del sistema.
I ricercatori raccolgono i dati per il loro metodo generando numerosi progetti che coprono un'ampia gamma di dimensioni e forme, che poi realizzano utilizzando un sistema di fotolitografia. Misurano le strutture finali e le confrontano con le specifiche di progettazione, abbinando i dati ottenuti e utilizzandoli per addestrare una rete neurale per il loro simulatore digitale.
"Le prestazioni dei simulatori basati sull'apprendimento automatico dipendono dai dati di input, e i dati generati artificialmente tramite equazioni non possono riprodurre le deviazioni del mondo reale; ecco perché è importante disporre di dati reali", afferma Zheng.
Simulatori doppi
Il simulatore di litografia digitale è costituito da due componenti separate: un modello ottico che riproduce il modo in cui la luce viene proiettata sulla superficie del dispositivo e un modello di resistenza che mostra come avviene la reazione fotochimica per produrre le caratteristiche sulla superficie.
In un'attività successiva, gli utenti collegano questo simulatore di fotolitografia, appreso tramite apprendimento automatico, a un simulatore basato sulla fisica che prevede il comportamento del dispositivo realizzato, ad esempio, come una lente diffrattiva diffrangerà la luce che la colpisce.
L'utente specifica i risultati desiderati per il dispositivo. Questi due simulatori lavorano quindi insieme all'interno di un quadro più ampio che mostra all'utente come creare un progetto che raggiunga tali obiettivi prestazionali.
"Con il nostro simulatore, l'oggetto fabbricato può raggiungere le migliori prestazioni possibili in un'attività successiva, come ad esempio le telecamere computazionali, una tecnologia promettente per miniaturizzare e rendere più potenti le telecamere del futuro. Abbiamo dimostrato che anche utilizzando la post-calibrazione per cercare di ottenere un risultato migliore, non sarà comunque paragonabile a quello ottenuto con il nostro modello fotolitografico integrato nel processo", aggiunge Zhao.
Hanno testato questa tecnica realizzando un elemento olografico che genera l'immagine di una farfalla quando viene colpito dalla luce. Rispetto ai dispositivi progettati con altre tecniche, il loro elemento olografico ha prodotto una farfalla quasi perfetta, che si adattava meglio al progetto. Hanno anche realizzato una lente a diffrazione multilivello con una qualità d'immagine superiore rispetto ad altri dispositivi.
In futuro, i ricercatori intendono perfezionare i loro algoritmi per modellare dispositivi più complessi e testare il sistema con fotocamere di consumo. Vogliono inoltre ampliarne il campo di applicazione in modo che possa essere utilizzato con diversi tipi di sistemi fotolitografici, come quelli che impiegano luce ultravioletta profonda o estrema.
Questa ricerca è finanziata, in parte, dai National Institutes of Health degli Stati Uniti, da Fujikura Limited e dall'Hong Kong Innovation and Technology Fund.
###
