Resolving Complex Subwavelength Grating Structures Using Topologically Structured Light

Sintesi Tecnica: Risoluzione di Complesse Strutture di Gratoli Sub-lunghezza d'Onda mediante Luce a Struttura Topologica

Enunciato del Problema
Sebbene l'imaging ottico in campo lontano si sia evoluto oltre il classico limite di diffrazione di Abbe (~λ/2) attraverso varie tecniche di elaborazione del segnale e di luce strutturata, rimangono sfide significative nel recupero dei parametri dimensionali da oggetti arbitrariamente strutturati. I successi precedenti nella metrologia ottica sono stati ampiamente limitati a problemi strettamente vincolati, come la determinazione della posizione di un singolo nanofilo o delle larghezze di una doppia fenditura. Gli autori indagano se i vantaggi dell'illuminazione a struttura topologica — specificamente la sua capacità di migliorare la precisione di misura tramite singolarità di fase — possano essere estesi al compito più complesso di recuperare i profili dimensionali di reticoli binari arbitrari e casuali. Man mano che la dimensionalità dello spazio dei parametri aumenta e le dimensioni delle caratteristiche scendono al di sotto del limite di diffrazione, il problema dello scattering inverso diventa significativamente più difficile.

Metodologia
Lo studio impiega un approccio computazionale che combina l'illuminazione superoscillatoria con il deep learning per risolvere il problema dello scattering inverso per reticoli binari unidimensionali casuali.

• Generazione dell'Oggetto: È stato generato un dataset di 4.096 profili di reticolo unici. Ogni profilo è lungo 10 μm con una pixelizzazione di 10 nm, costituito da sequenze casuali di stati trasparenti e opachi. Questo design assicura che le dimensioni delle caratteristiche spazino da circa λ/2 fino a λ/50 (dove λ = 488 nm), con transizioni non correlate per simulare una complessità arbitraria.
• Schemi di Illuminazione: Sono stati confrontati due regimi di illuminazione:
  1. Onda Piana: Illuminazione uniforme, non strutturata.
  2. Luce a Struttura Topologica: Un campo superoscillatorio con simmetria assiale formato dalla combinazione lineare di due funzioni d'onda prolate sferoidali (PSWF) a banda limitata. Questo campo presenta un picco di intensità centrale (larghezza a metà altezza di 0,3λ) affiancato da singolarità di fase, creando forti variazioni locali di intensità e fase sub-lunghezza d'onda.
• Simulazione: I pattern di scattering in trasmissione sono stati calcolati a una distanza di 2λ dal campione utilizzando il metodo dello spettro angolare. L'obiettivo è recuperare il profilo dimensionale della sezione centrale di 1 μm del reticolo (rappresentato come un vettore 1×100 di 0 e 1).
• Architettura della Rete Neurale: Una rete neurale convoluzionale (CNN) è stata addestrata per mappare i pattern di scattering ai profili del reticolo. L'architettura comprendeva due strati convoluzionali (kernel 4×4 e 2×2) seguiti da strati di pooling (3×3 e 2×2) e due strati completamente connessi (128 e 100 output).
• Addestramento e Test: Il dataset è stato diviso in set di addestramento/validazione (2.048 pattern) e di test (2.048 pattern non visti). I risultati sono stati aggregati su dieci cicli di addestramento indipendenti.
• Estensione Multi-Shot: Per testare la sensibilità posizionale, è stata simulata un'approccio "few-shot" in cui sono stati registrati i pattern di diffrazione per tre posizioni del fascio: centrata (0,0) e spostata di ±Δx (~λ/3).

Contributi Chiave e Risultati
Il documento dimostra che l'illuminazione a struttura topologica, se accoppiata al deep learning, consente il recupero di caratteristiche sub-diffrazione in oggetti arbitrari con una precisione superiore rispetto all'illuminazione a onda piana.

• Risoluzione Single-Shot: Sotto illuminazione superoscillatoria, la rete neurale ha recuperato con successo dimensioni delle caratteristiche fino a ~λ/7 (70 nm) con un tasso di successo >95%. Ciò rappresenta un miglioramento di 1,4× rispetto all'illuminazione a onda piana, che ha risolto caratteristiche fino a ~λ/4,9 (100 nm).
• Risoluzione Multi-Shot: Utilizzando tre pattern di diffrazione (centrato e spostato di ±Δx), la risoluzione per l'illuminazione superoscillatoria è migliorata a ~λ/10,5. Fondamentalmente, il caso dell'onda piana non ha mostrato miglioramenti con lo spostamento posizionale, poiché i suoi pattern di scattering sono invarianti rispetto alla traslazione. Ciò conferisce un vantaggio di 2,2× per l'approccio a luce strutturata nel campionamento few-shot.
• Complessità e Interferenza: Controintuitivamente, i tassi di successo del recupero sono risultati più elevati per oggetti più complessi (con più caratteristiche) rispetto a strutture semplici (1–3 caratteristiche). Gli autori attribuiscono ciò agli effetti di interferenza; man mano che il numero di caratteristiche di scattering aumenta, il contenuto informativo totale del campo diffuso aumenta, favorendo il processo di deconvoluzione della rete neurale. Questo effetto è più pronunciato nell'illuminazione a onda piana, ma persiste nel regime di luce strutturata.
• Dinamiche di Apprendimento: La maggiore complessità dei pattern di scattering sotto illuminazione superoscillatoria ha richiesto più epoche di addestramento affinché la rete convergesse. Tuttavia, ciò ha portato a un errore quadratico medio inferiore e a un maggior successo di recupero per le dimensioni delle caratteristiche più piccole rispetto al caso dell'onda piana.

Significato e Rivendicazioni
Il documento sostiene di aver dimostrato che i vantaggi dell'illuminazione a struttura topologica, precedentemente stabiliti per compiti di metrologia a parametri vincolati (ad esempio, il tracciamento di singole nanoparticelle), sono mantenuti ed efficaci quando lo spazio dei parametri si espande per includere il recupero di parametri dimensionali non specificati da oggetti arbitrari e complessi.

Gli autori affermano che l'interazione tra le forti variazioni di intensità locale e di fase del campo superoscillatorio e le caratteristiche nanometriche dell'oggetto genera pattern di scattering con un contenuto informativo significativamente più elevato. Gli algoritmi di deep learning possono sfruttare questo potenziato contenuto informativo per eseguire una deconvoluzione in grado di risolvere caratteristiche ben al di sotto del limite di diffrazione classico. Il lavoro stabilisce una via per l'utilizzo della luce strutturata topologica per la metrologia ottica a scala nanometrica sempre più complessa e per l'imaging di base di oggetti binari, raggiungendo una risoluzione single-shot di ~λ/7 e una risoluzione multi-shot di ~λ/10,5.