研究人员将此模拟器集成到一个设计框架中，同时还集成了另一个数字模拟器，用于模拟所制造器件在后续任务（例如使用计算机摄像头生成图像）中的性能。这些相互连接的模拟器使用户能够制造出更符合其设计并能在任务中实现最佳性能的光学器件。.
这项技术可以帮助科学家和工程师制造出更精确、更高效的光学器件，应用于移动相机、增强现实、医学成像、娱乐和电信等领域。而且，由于数字模拟器的学习过程使用真实世界的数据，因此它可以应用于各种光刻系统。.
“这个想法看似简单，但之前之所以没人尝试，是因为真实世界的数据成本高昂，而且目前还没有有效协调软硬件以构建高保真数据集的先例，”机械工程研究生程铮解释道。他是描述这项工作的开放获取论文的共同第一作者。“我们承担了风险，进行了广泛的探索——例如，开发和测试表征工具和数据探索策略——以确定可行的方案。结果出乎意料的好，表明真实世界的数据比由解析方程组成的模拟器生成的数据更有效、更准确。虽然一开始可能会比较昂贵，而且你可能会感到有些迷茫，但这一切都是值得的。”.
郑教授与香港中文大学研究生赵光元（论文第一作者）以及他们的导师、麻省理工学院机械与生物工程系教授苏德明共同撰写了这篇文章。该研究成果将在SIGGRAPH亚洲大会上发表。.
用光打印
光刻技术是将光图案投射到表面上，引发化学反应，从而在衬底上蚀刻出相应的图案。然而，由于光衍射的微小偏差和化学反应的细微变化，最终器件上的图案会与原图案略有不同。.
由于光刻工艺复杂且难以建模，许多现有的设计方法依赖于从物理学推导出的方程式。这些通用方程式虽然能够提供一些关于制造过程的见解，但无法捕捉光刻系统的所有具体变化。这可能导致器件在实际应用中性能不佳。.
麻省理工学院的研究人员将他们的技术称为神经光刻。他们以物理方程为基础构建光刻模拟器，然后将其与一个神经网络相结合。该神经网络使用来自用户光刻系统的真实实验数据进行训练。这种神经网络是一种机器学习模型，其工作原理大致基于人脑，它能够学习并补偿系统中许多特定的偏差。.
研究人员通过生成涵盖各种特征尺寸和形状的大量设计来收集方法所需的数据，然后使用光刻系统制造这些设计。他们测量最终结构并将其与设计规格进行比较，将匹配的数据用于训练数字模拟器的神经网络。.
：“学习型模拟器的性能取决于数据输入，而由方程人为生成的数据无法涵盖现实世界的偏差，因此拥有现实世界的数据非常重要。”
双模拟器
数字光刻模拟器由两个独立的组件构成：一个光学模型，用于捕捉光线如何投射到器件表面；以及一个电阻模型，用于显示光化学反应如何发生，从而在表面产生特征。.
在后续任务中，他们将学习到的光刻模拟器与基于物理的模拟器连接起来，后者可以预测制造出的器件的性能——例如，衍射透镜如何衍射照射在其上的光线。
用户可以指定器件的预期性能。然后，这两个模拟器在一个更广泛的框架内协同工作，向用户展示如何设计出能够实现这些性能目标的器件。
赵补充道：“借助我们的模拟器，制造出的物体可以在后续任务中达到最佳性能，例如计算相机——一项很有前景的技术，可以实现未来相机的微型化和增强。我们已经证明，即使使用后校准来尝试获得更好的结果，也仍然不如将我们的光刻模型纳入循环中 。
他们通过制造一种全息元件来测试这项技术，该元件在光线照射下会生成蝴蝶图像。与其他技术设计的器件相比，他们的全息元件生成的蝴蝶图像近乎完美，与设计更加吻合。他们还制造了一种多级衍射透镜，其成像质量优于其他器件。.
未来，研究人员希望改进算法，使其能够模拟更复杂的设备，并使用消费级相机测试该系统。他们还希望拓展其应用范围，使其能够与不同类型的光刻系统配合使用，例如采用深紫外或极紫外光的光刻系统。.
这项研究的部分资金来自美国国立卫生研究院、藤仓有限公司和香港创新及科技基金。.
###
