Resolving Complex Subwavelength Grating Structures Using Topologically Structured Light

Resumen Técnico: Resolución de Estructuras de Rejilla Sublongitud de Onda Compleja mediante Luz Estructuralmente Topológica

Planteamiento del Problema
Aunque la imagen óptica de campo lejano ha avanzado más allá del límite de difracción clásico de Abbe (~λ/2) mediante diversas técnicas de procesamiento de señales y luz estructurada, persisten desafíos significativos para recuperar parámetros dimensionales de objetos arbitrariamente estructurados. Los éxitos previos en metrología óptica se han limitado en gran medida a problemas estrictamente restringidos, como determinar la posición de un único nanofilamento o el ancho de una doble rendija. Los autores investigan si las ventajas de la iluminación topológicamente estructurada —específicamente su capacidad para mejorar la precisión de la medición mediante singularidades de fase— pueden extenderse a la tarea más compleja de recuperar los perfiles dimensionales de rejillas binarias arbitrarias y aleatorias. A medida que la dimensionalidad del espacio de parámetros aumenta y el tamaño de las características disminuye por debajo del límite de difracción, el problema de dispersión inversa se vuelve significativamente más difícil.

Metodología
El estudio emplea un enfoque computacional que combina la iluminación superoscilatoria con el aprendizaje profundo para resolver el problema de dispersión inversa de rejillas binarias unidimensionales aleatorias.

• Generación de Objetos: Se generó un conjunto de datos de 4,096 perfiles de rejilla únicos. Cada perfil tiene una longitud de 10 μm con pixelación de 10 nm, consistiendo en secuencias aleatorias de estados transparentes y opacos. Este diseño asegura que los tamaños de las características abarquen un rango desde aproximadamente λ/2 hasta λ/50 (donde λ = 488 nm), con transiciones no correlacionadas para simular una complejidad arbitraria.
• Esquemas de Iluminación: Se compararon dos condiciones de iluminación:
  1. Onda Plana: Iluminación uniforme y no estructurada.
  2. Luz Estructuralmente Topológica: Un campo superoscilatorio con simetría axial formado por la combinación lineal de dos funciones de onda esferoidales prolatas limitadas en banda (PSWFs). Este campo presenta un pico de intensidad central (ancho de medio máximo de 0.3λ) flanqueado por singularidades de fase, creando variaciones locales intensas de intensidad y fase sublongitud de onda.
• Simulación: Los patrones de dispersión de transmisión se calcularon a una distancia de 2λ del objeto utilizando el método del espectro angular. El objetivo es recuperar el perfil dimensional de la sección central de 1 μm de la rejilla (representada como un vector de 1×100 de 0s y 1s).
• Arquitectura de la Red Neuronal: Una red neuronal convolucional (CNN) fue entrenada para mapear los patrones de dispersión a los perfiles de la rejilla. La arquitectura incluyó dos capas convolucionales (núcleos de 4×4 y 2×2) seguidas de capas de agrupación (pooling) (núcleos de 3×3 y 2×2), y dos capas totalmente conectadas (128 y 100 salidas).
• Entrenamiento y Prueba: El conjunto de datos se dividió en conjuntos de entrenamiento/validación (2,048 patrones) y de prueba (2,0 la 2,048 patrones no vistos). Los resultados se agregaron sobre diez ciclos de entrenamiento independientes.
• Extensión de Pocas Tomas (Multi-Shot): Para probar la sensibilidad posicional, se simuló un enfoque de "pocas tomas" donde se registraron patrones de difracción para tres posiciones del haz: centrado (0,0) y desplazado por ±Δx (~λ/3).

Contribuciones Clave y Resultados
El artículo demuestra que la iluminación topológicamente estructurada, al combinarse con el aprendizaje profundo, permite la recuperación de características sub-difracción en objetos arbitrarios con mayor precisión que la iluminación de onda plana.

• Resolución de Toma Única (Single-Shot): Bajo iluminación superoscilatoria, la red neuronal recuperó con éxito tamaños de característica de hasta ~λ/7 (70 nm) con una tasa de éxito superior al 95%. Esto representa una mejora de 1.4× respecto a la iluminación de onda plana, que resolvió características hasta ~λ/4.9 (100 nm).
• Resolución de Múltiples Tomas (Multi-Shot): Al utilizar tres patrones de difracción (centrado y desplazados por ±Δx), la resolución para la iluminación superoscilatoria mejoró a ~λ/10.5. Crucialmente, el caso de onda plana no mostró mejoras con el desplazamiento posicional, ya que sus patrones de dispersión son invariantes a la traslación. Esto produce una ventaja de 2.2× para el enfoque de luz estructurada en la obtención de imágenes de pocas tomas.
• Complejidad e Interferencia: De manera contraintuitiva, las tasas de éxito de recuperación resultaron ser mayores para objetos más complejos (aquellos con más características) en comparación con estructuras simples (1–3 características). Los autores atribuyen esto a los efectos de interferencia; a medida que el número de características de dispersión aumenta, el contenido de información total del campo dispersado aumenta, ayudando al proceso de deconvolución de la red neuronal. Este efecto es más pronunciado en la iluminación de onda plana, pero persiste en el régimen de luz estructurada.
• Dinámica de Aprendizaje: La mayor complejidad de los patrones de dispersión bajo la iluminación superoscilatoria requirió más épocas de entrenamiento para que la red convergiera. Sin embargo, esto resultó en un error cuadrático medio más bajo y un mayor éxito de recuperación para tamaños de característica más pequeños en comparación con el caso de onda plana.

Significancia y Reivindicaciones
El artículo afirma demostrar que las ventajas de la iluminación topológicamente estructurada, previamente establecidas para tareas de metrología con restricciones (por ejemplo, el seguimiento de una única nanopartícula), se mantienen y son efectivas cuando el espacio de parámetros se expande para incluir la recuperación de parámetros dimensionales no especificados de objetos complejos y arbitrarios.

Los autores sostienen que la interacción entre la fuerte variación de intensidad y fase local del campo superoscilatorio y las características nanométricas del objeto genera patrones de dispersión con un contenido de información significativamente mayor. Los algoritmos de aprendizaje profundo pueden aprovechar esta información mejorada para realizar una deconvolución que resuelva características muy por debajo del límite de difracción clásico. El trabajo establece un camino para utilizar la luz topológicamente estructurada hacia una metrología óptica de escala nanométrica cada vez más compleja y la obtención de imágenes de objetos binarios básicos, logrando una resolución de toma única de ~λ/7 y una resolución de múltiples tomas de ~λ/10.5.