La photolithographie consiste à manipuler la lumière pour graver avec précision des éléments sur une surface et est couramment utilisée pour fabriquer des puces informatiques et des dispositifs optiques tels que des lentilles. Mais de minuscules écarts au cours du processus de fabrication font souvent que ces appareils ne répondent pas aux intentions de leurs concepteurs.
Pour contribuer à combler cet écart entre la conception et la fabrication, des chercheurs du MIT et de l’Université chinoise de Hong Kong ont utilisé l’apprentissage automatique pour créer un simulateur numérique qui imite un processus de fabrication photolithographique spécifique. Leur technique utilise des données réelles collectées à partir du système de photolithographie, afin de pouvoir modéliser avec plus de précision la façon dont le système fabriquerait une conception.
Les chercheurs intègrent ce simulateur dans un cadre de conception, ainsi qu’un autre simulateur numérique qui émule les performances du dispositif fabriqué dans des tâches en aval, telles que la production d’images avec des caméras informatiques. Ces simulateurs connectés permettent à un utilisateur de produire un dispositif optique qui correspond mieux à sa conception et atteint les meilleures performances de tâche.
Cette technique pourrait aider les scientifiques et les ingénieurs à créer des dispositifs optiques plus précis et plus efficaces pour des applications telles que les caméras mobiles, la réalité augmentée, l’imagerie médicale, le divertissement et les télécommunications. Et comme le processus d’apprentissage du simulateur numérique utilise des données réelles, il peut être appliqué à une large gamme de systèmes de photolithographie.
« Cette idée semble simple, mais les raisons pour lesquelles les gens ne l’ont pas essayé auparavant sont que les données réelles peuvent être coûteuses et qu’il n’existe aucun précédent sur la manière de coordonner efficacement les logiciels et le matériel pour créer un ensemble de données haute fidélité », explique Cheng Zheng. un étudiant diplômé en génie mécanique qui est co-auteur principal d’un article en libre accès décrivant le travail posté au arXiv serveur de préimpression.
« Nous avons pris des risques et mené une exploration approfondie, par exemple en développant et en essayant des outils de caractérisation et des stratégies d’exploration de données, pour déterminer un schéma de travail. Le résultat est étonnamment bon, montrant que les données réelles fonctionnent beaucoup plus efficacement et avec précision que les données générées par des simulateurs composés d’équations analytiques. Même si cela peut coûter cher et qu’on peut se sentir désemparé au début, cela en vaut la peine.
Zheng a écrit l’article avec le co-auteur principal Guangyuan Zhao, étudiant diplômé à l’Université chinoise de Hong Kong ; et son conseiller, Peter T. So, professeur de génie mécanique et de génie biologique au MIT. La recherche sera présentée au Conférence SIGGRAPH Asie.
Imprimer avec la lumière
La photolithographie consiste à projeter un motif de lumière sur une surface, ce qui provoque une réaction chimique qui grave des éléments dans le substrat. Cependant, le dispositif fabriqué aboutit à un motif légèrement différent en raison de minuscules écarts dans la diffraction de la lumière et de minuscules variations dans la réaction chimique.
La photolithographie étant complexe et difficile à modéliser, de nombreuses approches de conception existantes reposent sur des équations dérivées de la physique. Ces équations générales donnent une certaine idée du processus de fabrication mais ne peuvent pas capturer tous les écarts spécifiques à un système de photolithographie. Cela peut entraîner une sous-performance des appareils dans le monde réel.
Pour leur technique, qu’ils appellent lithographie neuronale, les chercheurs du MIT construisent leur simulateur de photolithographie en utilisant comme base des équations basées sur la physique, puis intègrent un réseau neuronal formé sur des données expérimentales réelles provenant du système de photolithographie d’un utilisateur. Ce réseau neuronal, un type de modèle d’apprentissage automatique vaguement basé sur le cerveau humain, apprend à compenser de nombreuses déviations spécifiques du système.
Les chercheurs rassemblent des données pour leur méthode en générant de nombreuses conceptions couvrant un large éventail de tailles et de formes de caractéristiques, qu’ils fabriquent à l’aide du système de photolithographie. Ils mesurent les structures finales et les comparent aux spécifications de conception, associant ces données et les utilisant pour former un réseau neuronal pour leur simulateur numérique.
« Les performances des simulateurs appris dépendent des données introduites, et les données générées artificiellement à partir d’équations ne peuvent pas couvrir les écarts réels. C’est pourquoi il est important de disposer de données réelles », explique Zheng.
Simulateurs doubles
Le simulateur de lithographie numérique se compose de deux composants distincts : un modèle optique qui capture la façon dont la lumière est projetée sur la surface de l’appareil, et un modèle de résine qui montre comment la réaction photochimique se produit pour produire des caractéristiques sur la surface.
Dans une tâche en aval, ils connectent ce simulateur de photolithographie appris à un simulateur basé sur la physique qui prédit comment le dispositif fabriqué fonctionnera sur cette tâche, par exemple comment une lentille diffractive diffractera la lumière qui la frappe.
L’utilisateur spécifie les résultats qu’il souhaite qu’un appareil atteigne. Ensuite, ces deux simulateurs fonctionnent ensemble dans un cadre plus large qui montre à l’utilisateur comment créer une conception qui atteindra ces objectifs de performances.
« Grâce à notre simulateur, l’objet fabriqué peut obtenir les meilleures performances possibles sur une tâche en aval, comme les caméras informatiques, une technologie prometteuse pour rendre les futures caméras miniaturisées et plus puissantes. Nous montrons que, même si vous utilisez le post-étalonnage pour essayer de obtenir un meilleur résultat, ce ne sera toujours pas aussi efficace que d’avoir notre modèle de photolithographie dans la boucle », ajoute Zhao.
Ils ont testé cette technique en fabriquant un élément holographique qui génère une image de papillon lorsque la lumière l’éclaire. Comparé aux appareils conçus à l’aide d’autres techniques, leur élément holographique produisait un papillon presque parfait qui correspondait mieux au design. Ils ont également produit une lentille de diffraction multiniveau, offrant une meilleure qualité d’image que les autres appareils.
À l’avenir, les chercheurs souhaitent améliorer leurs algorithmes pour modéliser des appareils plus complexes et également tester le système à l’aide de caméras grand public. En outre, ils souhaitent élargir leur approche afin qu’elle puisse être utilisée avec différents types de systèmes de photolithographie, tels que les systèmes utilisant une lumière ultraviolette profonde ou extrême.
Plus d’information:
Cheng Zheng et al, Comblez l’écart entre la conception et la fabrication en optique informatique avec un simulateur de lithographie neuronale à deux photons appris « Real2Sim », Documents de la conférence SIGGRAPH Asia 2023 (2023). DOI : 10.1145/3610548.3618251. Sur arXiv: DOI : 10.48550/arxiv.2309.17343