🔬 physics

DeepONet-assisted angle-resolved scatterometry for sub-nanometre in situ metrology of nanowire geometry

Este artículo presenta un marco de trabajo de esparcimiento de resolución angular asistido por DeepONet que integra el aprendizaje de operadores para la corrección espectral, la optimización por enjambre de partículas para la inversión de RCWA y la validación mediante SEM mejorada con SAM para lograr una precisión de submétrica en la metrología in situ de la geometría de nanocables de GaN dopados con Si.

Autores originales: Fei Han, Yichi Pan, Qimeng Sun, Gai Wu, Jingyuan Ni, Lijie Li, Chong Shen, Wei Shen, Dekun Yang

Publicado 2026-10-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fei Han, Yichi Pan, Qimeng Sun, Gai Wu, Jingyuan Ni, Lijie Li, Chong Shen, Wei Shen, Dekun Yang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la electrónica moderna, los chips más avanzados dependen de estructuras diminutas llamadas nanocables. Estos no son los cables gruesos que se encuentran en una lámpara doméstica, sino columnas esbeltas de material semiconductor tan finas que cientos de ellas podrían caber a lo ancho de un cabello humano. Para hacer que estos cables funcionen, los científicos los cultivan dentro de una cámara de vacío utilizando una técnica llamada epitaxia de haces moleculares. Este proceso es como un horno de alta precisión donde átomos de galio, nitrógeno y silicio son disparados contra una superficie caliente, adhiriéndose para construir los cables capa por capa. El desafío es que estos cables son increíblemente sensibles. Un pequeño cambio en la temperatura o una ligera variación en la cantidad de silicio añadida puede alterar su forma, tamaño y la forma en que conducen la electricidad. Si los cables no tienen el tamaño adecuado, los dispositivos construidos con ellos fallarán. Durante décadas, los científicos han luchado por medir estos nanocables mientras aún se están cultivando. Los métodos tradicionales requieren sacar la muestra de la cámara para observarla bajo un potente microscopio electrónico, pero para entonces el proceso de crecimiento ha terminado, y cualquier error no puede corregirse.

Un equipo de investigadores ha desarrollado una nueva forma de medir estas matrices de nanocables con extrema precisión mientras aún están dentro de la cámara de crecimiento, sin siquiera tocarlos. Crearon un sistema que utiliza la luz para "ver" la forma de los cables en tiempo real. En lugar de tomar una fotografía, el sistema proyecta un haz de luz sobre los nanocables en crecimiento y captura el patrón de luz que rebota. Debido a que los cables son tan pequeños, dispersan la luz de una manera específica que depende enteramente de su diámetro y altura. Los investigadores llaman a esto escanometría de resolución angular. El problema es que los patrones de luz brutos capturados por la cámara no coinciden con los modelos matemáticos perfectos que los científicos utilizan para predecir cómo debería comportarse la luz. El mundo real es desordenado, con imperfecciones en las lentes y los materiales, lo que causa una brecha entre lo que se mide y lo que los modelos informáticos esperan. Este desajuste suele hacer imposible calcular las dimensiones del cable con precisión.

Para cerrar esta brecha, los investigadores introdujeron una ingeniosa herramienta de software basada en un tipo de inteligencia artificial llamada DeepONet. Piense en esta herramienta como un traductor que aprende a convertir los patrones de luz desordenados del mundo real en un formato limpio e idealizado que los modelos informáticos puedan entender. El sistema primero captura la luz dispersada por los nanocables y la convierte en un espectro, que es esencialmente un gráfico que muestra cuánta luz se refleja en diferentes ángulos. El software DeepONet toma este gráfico y lo corrige, suavizando los errores experimentales y alineándolo con las predicciones teóricas. Una vez corregido el patrón de luz, el sistema utiliza un algoritmo de búsqueda para encontrar el diámetro y la altura exactos que producirían ese patrón específico. Prueba millones de combinaciones posibles de tamaño y altura hasta que encuentra la que coincide perfectamente con los datos de luz corregidos.

Para demostrar que este método realmente funciona, el equipo necesitaba una forma de contrastar sus resultados con la verdad. Construyeron un sistema separado y automatizado para analizar imágenes tomadas por un microscopio electrónico después de que finalizara el crecimiento. Este sistema utilizó un potente modelo de reconocimiento de imágenes para identificar miles de nanocables individuales en las fotos y medir sus tamaños automáticamente. Al comparar las mediciones tomadas por el sistema basado en luz durante el crecimiento con las mediciones tomadas por el microscopio electrónico después del crecimiento, pudieron ver qué tan preciso era su nuevo método. Los resultados fueron notablemente precisos. Para el diámetro de los cables, su sistema tuvo un error promedio de solo 0.22 nanómetros. Para la altura, el error fue incluso menor, de apenas 0.12 nanómetros. Para poner esto en perspectiva, un nanómetro es una milmillonésima de metro; el error en su medición es menor que el ancho de un solo átomo.

Los investigadores probaron este marco de trabajo en un conjunto de muestras de nanocables que la computadora nunca había visto durante su entrenamiento. Incluso con estas muestras completamente nuevas, el sistema mantuvo su alto nivel de precisión. Esto sugiere que el método no está simplemente memorizando patrones específicos, sino que ha aprendido una regla general para traducir la luz en forma. El estudio demuestra que es posible monitorear el crecimiento de estas delicadas estructuras con una precisión de sub-nanómetros en tiempo real. Esta capacidad podría permitir a los ingenieros ajustar las condiciones de crecimiento instantáneamente si un cable comienza a formarse incorrectamente, asegurando que cada chip producido sea perfecto. Al combinar óptica avanzada, inteligencia artificial y una validación riguroosa, el equipo ha convertido un difícil rompecabezas óptico en una herramienta confiable para el futuro de la fabricación de semiconductores.

Resumen Técnico: Metrología de Ángulo Resuelto asistida por DeepONet para la Caracterización de Nanocables con Precisión Subnanométrica In Situ

Planteamiento del Problema
La metrología precisa in situ de arreglos de nanocables crecidos mediante Epitaxia de Haz Molecular (MBE) es crítica para el control de la fabricación de nanoestructuras de semiconductores. Sin embargo, las técnicas de monitoreo existentes enfrentan limitaciones significativas. Los métodos ex situ (por ejemplo, SEM) carecen de retroalimentación en tiempo real, mientras que las técnicas in situ como la Difracción de Electrones de Alta Energía de Reflexión (RHEED) son sensibles a la reconstrucción superficial pero tienen dificultades para la extracción cuantitativa de los parámetros geométricos de los nanocables. La esparcimiento óptico ofrece una alternativa sin contacto y de alta velocidad; no obstante, bajo condiciones de Alta Apertura Numérica (NA), la inversión electromagnética directa basada en el Análisis de Ondas Acopladas de Respuesta Rigurosa (RCWA) sufre de no unicidad, inestabilidad y discrepancias sistemáticas entre los espectros experimentales y las simulaciones ideales. Estos desajustes degradan la robustez de la inversión geométrica, impidiendo la precisión subnanométrica.

Metodología
Los autores proponen un marco integrado que combina cuatro componentes sinérgicos para reconstruir la morfología de arreglos de nanocables de GaN dopados con Si:

Medición Mejorada por ARS: Un sistema de esparcimiento de ángulo resuelto (ARS) integrado en la cámara de MBE captura distribuciones de esparcimiento de campo lejano de gran ángulo. Estas se mapean en el plano focal posterior (BFP) y se convierten en espectros de reflectancia de ángulo resuelto normalizados y sensibles a la morfología, $R(\theta)$ .
Selección de Longitud de Onda: Se empleó un clasificador CNN 1D supervisado para evaluar la discriminabilidad de $R(\theta)$ a través de diferentes longitudes de onda y temperaturas de dopaje. Se seleccionó $\lambda = 574$ nm como la longitud de onda de operación óptima debido a su superior separabilidad de características y convergencia estable.
Precorrección Espectral Basada en DeepONet: Para abordar el desajuste sistemático entre los espectros medidos ( $R_{exp}$ ) y las simulaciones ideales de RCWA ( $R_{sim}$ ), se entrenó una Red de Operadores Profundos (DeepONet). Este módulo aprende un mapeo de función-a-función desde el dominio espectral experimental al dominio compatible con RCWA, produciendo un espectro corregido ( $R_{corr}$ ). Crucialmente, DeepONet no predice parámetros geométricos directamente, sino que corrige la representación espectral para alinearla con las simulaciones físicas.
Inversión RCWA Impulsada por PSO: Se utiliza la Optimización por Enjambre de Partículas (PSO) para recuperar el diámetro ( $D$ ) y la altura ( $H$ ) del nanocable mediante la minimización del Error Cuadrático Medio (RMSE) entre el espectro simulado por RCWA $R_{sim}(\theta; D, H)$ y el objetivo corregido por DeepONet $R_{corr}(\theta)$ .
Validación SEM Asistida por SAM: Para una validación independiente, se desarrolló un flujo de trabajo automatizado utilizando el Modelo de Segmentación de Cualquier Cosa (SAM). Este flujo de trabajo procesa imágenes SEM de vista superior y de sección transversal para extraer parámetros geométricos promedio del conjunto (diámetro equivalente y altura) de miles de instancias de nanocables, proporcionando una referencia estadísticamente robusta sin delineación manual.

Resultados Clave
El marco fue validado utilizando un conjunto de datos de prueba (T1080) compuesto por muestras crecidas bajo condiciones completamente excluidas de todo el entrenamiento de modelos y ajuste de hiperparámetros.

Corrección Espectral: El módulo DeepONet logró reducir exitosamente el desplazamiento de dominio sistemático entre los espectros experimentales y simulados. Los estudios de ablación mostraron que el uso de espectros medidos brutos resultaba en grandes errores de reconstrucción (RMSE de 4.098 nm para el diámetro y 26.530 nm para la altura). En contraste, el uso de los espectros corregidos por DeepONet redujo el RMSE a 0.219 nm para el diámetro y 0.118 nm para la altura.
Precisión de Inversión: En el conjunto de prueba T1080, el marco propuesto logró RMSEs medios a nivel de muestra de 0.22 nm para el diámetro y 0.12 nm para la altura en comparación con las referencias de SEM derivadas por SAM.
Convergencia: La precorrección espectral mejoró significativamente la estabilidad de la inversión por PSO, reduciendo el número medio de iteraciones requeridas para la convergencia de 213 (datos brutos) a 156 (datos corregidos).
Generalización: La reconstrucción precisa de la condición no vista T1080 demuestra que el marco aprende un operador de alineación espectral generalizable en lugar de memorizar espectros de entrenamiento específicos.

Significancia y Reivindicaciones
El artículo afirma que este trabajo demuestra la viabilidad de lograr una reconstrucción óptica de precisión subnanométrica de la geometría de arreglos de nanocables mediante la integración sinérgica de:

Medición óptica de ángulo resuelto.
Corrección espectral basada en aprendizaje de operadores (DeepONet).
Inversión RCWA impulsada por la física (PSO).
Validación SEM automatizada y estadísticamente rigurosa (SAM).

Los autores enfatizan que, al definir las cantidades reconstruidas como "diámetro equivalente y altura a nivel de muestra", el método se alinea con los supuestos de celda unitaria periódica de RCWA y la naturaleza promediada del conjunto de la referencia SEM. Este enfoque aborda el desafío de larga data de las discrepancias sistemáticas en la esparcimiento óptica, ofreciendo una ruta práctica y sin contacto para el monitoreo en tiempo real del crecimiento de nanocables en entornos MBE. El trabajo establece un principio de diseño donde las longitudes de onda de operación deben coincidir rigurosamente con las respuestas espectrales sensibles a la morfología y que separar la corrección espectral de la inversión geométrica es esencial para una metrología de alta precisión y estabilidad.

Más como este