🔬 physics

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

Cet article présente un cadre de métrologie par diffusion angulaire assisté par DeepONet qui intègre l'apprentissage d'opérateurs pour la correction spectrale, l'optimisation par essaim de particules pour l'inversion RCWA et la validation par SEM améliorée par SAM afin d'atteindre une précision subnanométrique dans la métrologie in situ de la géométrie des nanofils de GaN dopés au Si.

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

Publié 2026-10-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de l'électronique moderne, les puces les plus avancées reposent sur de minuscules structures appelées nanofils. Il ne s'agit pas des fils épais que l'on trouve dans une lampe de salon, mais de colonnes élancées de matériau semi-conducteur si fines que des centaines pourraient tenir sur la largeur d'un cheveu humain. Pour faire fonctionner ces fils, les scientifiques les font croître à l'intérieur d'une chambre à vide en utilisant une technique appelée épitaxie par jets moléculaires. Ce processus est semblable à un four de haute précision où des atomes de gallium, d'azote et de silicium sont projetés sur une surface chaude, s'agglutinant pour construire les fils couche par couche. Le défi réside dans le fait que ces fils sont incroyablement sensibles. Un infime changement de température ou une légère variation de la quantité de silicium ajoutée peut altérer leur forme, leur taille et leur façon de conduire l'électricité. Si les fils n'ont pas la bonne taille, les dispositifs construits à partir d'eux échoueront. Pendant des décennies, les scientifiques ont lutté pour mesurer ces fils pendant qu'ils sont encore en cours de croissance. Les méthodes traditionnelles nécessitent de sortir l'échantillon de la chambre pour l'observer sous un puissant microscope électronique, mais à ce stade, le processus de croissance est terminé, et les erreurs ne peuvent plus être corrigées.

Une équipe de chercheurs a mis au point un nouveau moyen de mesurer ces réseaux de nanofils avec une précision extrême alors qu'ils sont encore à l'intérieur de la chambre de croissance, sans jamais les toucher. Ils ont créé un système qui utilise la lumière pour « voir » la forme des fils en temps réel. Au lieu de prendre une photographie, le système projette un faisceau lumineux sur les nanofils en croissance et capture le motif de lumière qui rebondit. Comme les fils sont très petits, ils diffusent la lumière d'une manière spécifique qui dépend entièrement de leur diamètre et de leur hauteur. Les chercheurs appellent cela la diffusométrie angulaire. Le problème est que les motifs lumineux bruts capturés par la caméra ne correspondent pas aux modèles mathématiques parfaits que les scientifiques utilisent pour prédire comment la lumière devrait se comporter. Le monde réel est désordonné, avec des imperfections dans les lentilles et les matériaux, créant un écart entre ce qui est mesuré et ce que les modèles informatiques attendent. Ce décalage rend généralement impossible le calcul précis des dimensions du fil.

Pour combler ce fossé, les chercheurs ont introduit un outil logiciel ingénieux basé sur un type d'intelligence artificielle appelé DeepONet. Considérez cet outil comme un traducteur qui apprend à convertir les motifs lumineux désordonnés du monde réel en un format propre et idéalisé que les modèles informatiques peuvent comprendre. Le système capture d'abord la lumière diffusée par les nanofils et la transforme en un spectre, qui est essentiellement un graphique montrant la quantité de lumière réfléchie selon différents angles. Le logiciel DeepONet prend ensuite ce graphique et le corrige, lissant les erreurs expérimentales et l'alignant sur les prédictions théoriques. Une fois le motif lumineux corrigé, le système utilise un algorithme de recherche pour trouver le diamètre et la hauteur exacts qui produiraient ce motif spécifique. Il teste des millions de combinaisons possibles de taille et de hauteur jusqu'à ce qu'il trouve celle qui correspond parfaitement aux données lumineuses corrigées.

Pour prouver que cette méthode fonctionne réellement, l'équipe avait besoin d'un moyen de vérifier ses résultats par rapport à la réalité. Ils ont construit un système séparé et automatisé pour analyser les images prises par un microscope électronique une fois la croissance terminée. Ce système utilisait un puissant modèle de reconnaissance d'images pour identifier des milliers de nanofils individuels sur les photos et mesurer automatiquement leurs tailles. En comparant les mesures prises par le système basé sur la lumière pendant la croissance avec les mesures prises par le microscope électronique après la croissance, ils ont pu voir l'exactitude de leur nouvelle méthode. Les résultats étaient remarquablement précis. Pour le diamètre des fils, leur système présentait un écart moyen de seulement 0,22 nanomètre. Pour la hauteur, l'erreur était encore plus faible, à seulement 0,12 nanomètre. Pour donner un ordre d'idée, un nanomètre est un milliardième de mètre ; l'erreur de leur mesure est inférieure à la largeur d'un seul atome.

Les chercheurs ont testé ce cadre sur un ensemble d'échantillons de nanofils que l'ordinateur n'avait jamais vus lors de son entraînement. Même avec ces échantillons totalement nouveaux, le système a maintenu son haut niveau de précision. Cela suggère que la méthode ne se contente pas de mémoriser des motifs spécifiques, mais qu'elle a appris une règle générale pour traduire la lumière en forme. L'étude démontre qu'il est possible de surveiller la croissance de ces structures délicates avec une précision sub-nanométrique en temps réel. Cette capacité permettrait aux ingénieurs d'ajuster instantanément les conditions de croissance si un fil commence à se former incorrectement, garantissant que chaque puce produite soit parfaite. En combinant l'optique avancée, l'intelligence artificielle et une validation rigoureuse, l'équipe a transformé un puzzle optique difficile en un outil fiable pour l'avenir de la fabrication de semi-conducteurs.

Résumé Technique : Métrologie in situ de la géométrie des nanofils par diffusion angulaire assistée par DeepONet pour une précision sub-nanométrique

Énoncé du problème
La métrologie in situ précise des réseaux de nanofils produits par croissance par jets moléculaires (MBE) est cruciale pour le contrôle de la fabrication de nanostructures semi-conductrices. Cependant, les techniques de surveillance existantes présentent des limites significatives. Les méthodes ex situ (par exemple, le MEB) manquent de retour en temps réel, tandis que les techniques in situ comme la diffraction d'électrons rétrodiffusés à haute énergie (RHEED) sont sensibles à la reconstruction de surface mais peinent à l'extraction quantitative des paramètres géométriques des nanofils. La scatterométrie optique offre une alternative sans contact et rapide ; pourtant, sous des conditions de forte ouverture numérique (NA), l'inversion électromagnétique directe basée sur l'analyse de coupe de l'onde rigoureuse (RCWA) souffre de non-unicité, d'instabilité et de divergences systématiques entre les spectres expérimentaux et les simulations idéales. Ces décalages dégradent la robustesse de l'inversion géométrique, empêchant une précision sub-nanométrique.

Méthodologie
Les auteurs proposent un cadre intégré combinant quatre composantes synergiques pour reconstruire la morphologie de réseaux de nanofils de GaN dopés au Si :

Mesure améliorée par ARS : Un système de scatterométrie résolue en angle (ARS) intégré dans la chambre MBE capture les distributions de diffusion en champ lointain à large angle. Celles-ci sont projetées sur le plan focal arrière (BFP) et converties en spectres de réflectance résolus en angle normalisés et sensibles à la morphologie, $R(\theta)$ .
Sélection de la longueur d'onde : Un classifieur CNN 1D supervisé a été employé pour évaluer la discriminabilité de $R(\theta)$ à travers différentes longueurs d'onde et températures de dopage. $\lambda = 574$ nm a été sélectionnée comme la longueur d'onde de fonctionnement optimale en raison de sa supériorité en termes de séparabilité des caractéristiques et de stabilité de convergence.
Pré-correction spectrale basée sur DeepONet : Pour traiter l'écart systématique entre les spectres mesurés ( $R_{exp}$ ) et les simulations RCWA idéales ( $R_{sim}$ ), un réseau d'opérateurs profonds (DeepONet) a été entraîné. Ce module apprend une application fonction-vers-fonction du domaine spectral expérimental vers le domaine compatible avec la RCWA, produisant un spectre corrigé ( $R_{corr}$ ). Crucialement, DeepONet ne prédit pas directement les paramètres géométriques, mais corrige la représentation spectrale pour l'aligner avec les simulations physiques.
Inversion RCWA pilotée par PSO : L'optimisation par essaim de particules (PSO) est utilisée pour extraire le diamètre ( $D$ ) et la hauteur ( $H$ ) des nanofils en minimisant l'erreur quadratique moyenne (RMSE) entre le spectre simulé par RCWA $R_{sim}(\theta; D, H)$ et la cible corrigée par DeepONet $R_{corr}(\theta)$ .
Validation MEB assistée par SAM : Pour une validation indépendante, un flux de travail automatisé utilisant le modèle Segment Anything Model (SAM) a été développé. Ce flux traite des images MEB en vue de dessus et en coupe pour extraire les paramètres géométriques moyennés sur l'ensemble (diamètre équivalent et hauteur) à partir de milliers d'instances de nanofils, fournissant une référence statistiquement robuste sans délinéation manuelle.

Résultats clés
Le cadre a été validé à l'aide d'un ensemble de données de test (T1080) comprenant des échantillons cultivés sous des conditions totalement exclues de tout entraînement de modèle et de réglage d'hyperparamètres.

Correction spectrale : Le module DeepONet a réussi à réduire le décalage de domaine systématique entre les spectres expérimentaux et simulés. Les études d'ablation ont montré que l'utilisation des spectres mesurés bruts entraînait de grandes erreurs de reconstruction (RMSE de 4,098 nm pour le diamètre et 26,530 nm pour la hauteur). En revanche, l'utilisation des spectres corrigés par DeepONet a réduit le RMSE à 0,219 nm pour le diamètre et 0,118 nm pour la hauteur.
Précision de l'inversion : Sur l'ensemble de test T1080, le cadre proposé a atteint des RMSE moyens par échantillon de 0,22 nm pour le diamètre et 0,12 nm pour la hauteur par rapport aux références MEB dérivées par SAM.
Convergence : La pré-correction spectrale a considérablement amélioré la stabilité de l'inversion par PSO, réduisant le nombre moyen d'itérations nécessaires pour la convergence de 213 (données brutes) à 156 (données corrigées).
Généralisation : La reconstruction précise de la condition non vue T1080 démontre que le cadre apprend un opérateur d'alignement spectral généralisable plutôt que de mémoriser des spectres d'entraînement spécifiques.

Signification et revendications
L'article affirme que ce travail démontre la faisabilité d'une reconstruction optique de précision sub-nanométrique de la géométrie des réseaux de nanofils grâce à l'intégration synergique de :

La mesure optique résolue en angle.
La correction spectrale par apprentissage d'opérateur (DeepONet).
L'inversion RCWA pilotée par la physique (PSO).
La validation MEB automatisée et statistiquement rigoureuse (SAM).

Les auteurs soulignent qu'en définissant les quantités reconstruites comme le « diamètre équivalent et la hauteur au niveau de l'échantillon », la méthode s'aligne sur les hypothèses de cellule unité périodique de la RCWA et sur la nature moyennée de l'ensemble de la référence MEB. Cette approche répond au défi de longue date des écarts systématiques de la scatterométrie optique, offrant une voie pratique et sans contact pour la surveillance en temps réel de la croissance des nanofils en environnement MBE. Ce travail établit un principe de conception selon lequel les longueurs d'onde de fonctionnement doivent être rigoureusement adaptées aux réponses spectrales sensibles à la morphologie, et que la séparation de la correction spectrale et de l'inversion géométrique est essentielle pour une métrologie de haute précision et stable.

Articles similaires