🔬 physics

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

Questo articolo presenta un framework di scatterometria risolta angolarmente assistito da DeepONet che integra l'apprendimento di operatori per la correzione spettrale, l'ottimizzazione a sciame di particelle per l'inversione RCWA e la validazione SEM potenziata da SAM per raggiungere una precisione sub-nanometrica nella metrologia in situ della geometria dei nanofili di GaN drogati con Si.

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

Pubblicato 2026-10-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo dell'elettronica moderna, i chip più avanzati si affidano a minuscole strutture chiamate nanofili. Questi non sono i grossi fili che si trovano in una lampada domestica, ma sottili colonne di materiale semiconduttore così fini che centinaia potrebbero starci nella larghezza di un capello umano. Per far funzionare questi fili, gli scienziati li coltivano all'interno di una camera a vuoto utilizzando una tecnica chiamata epitassia da fasci molecolari. Questo processo è simile a un forno ad alta precisione dove atomi di gallio, azoto e silicio vengono sparati contro una superficie calda, attaccandosi insieme per costruire i fili strato dopo strato. La sfida è che questi fili sono incredibilmente sensibili. Un minimo spostamento di temperatura o una leggera variazione nella quantità di silicio aggiunta possono alterarne la forma, le dimensioni e il modo in cui conducono l'elettricità. Se i fili non hanno la dimensione giusta, i dispositivi costruiti con essi falliranno. Per decenni, gli scienziati hanno lottato per misurare questi fili mentre sono ancora in fase di crescita. I metodi tradizionali richiedono di estrarre il campione dalla camera per osservarlo sotto un potente microscopio elettronico, ma a quel punto il processo di crescita è terminato e gli errori non possono essere corretti.

Un team di ricercatori ha sviluppato un nuovo modo per misurare questi array di nanofili con estrema precisionenza mentre si trovano ancora all'interno della camera di crescita, senza mai toccarli. Hanno creato un sistema che utilizza la luce per "vedere" la forma dei fili in tempo reale. Invece di scattare una fotografia, il sistema proietta un fascio di luce sui nanofili in crescita e cattura il modello di luce che rimbalza indietro. Poiché i fili sono così piccoli, disperdono la luce in un modo specifico che dipende interamente dal loro diametro e dalla loro altezza. I ricercatori chiamano questo metodo scatterometria a risoluzione angolare. Il problema è che i modelli di luce grezzi catturati dalla telecamera non corrispondono ai modelli matematici perfetti che gli scienziati usano per prevedere come la luce dovrebbe comportarsi. Il mondo reale è disordinato, con imperfezioni nelle lenti e nei materiali, causando un divario tra ciò che viene misurato e ciò che i modelli informatici si aspettano. Questa discrepanza rende solitamente impossibile calcolare accuratamente le dimensioni del filo.

Per colmare questo divario, i ricercatori hanno introdotto uno strumento software intelligente basato su un tipo di intelligenza artificiale chiamato DeepONet. Pensate a questo strumento come a un traduttore che impara a convertire i disordinati modelli di luce del mondo reale in un formato pulito e idealizzato che i modelli informatici possano comprendere. Il sistema cattura prima la luce dispersa dai nanofili e la trasforma in uno spettro, che è essenzialmente un grafico che mostra quanta luce viene riflessa ad angoli diversi. Il software DeepONet prende poi questo grafico e lo corregge, levigando gli errori sperimentali e allineandolo alle previsioni teoriche. Una volta corretto il modello di luce, il sistema utilizza un algoritmo di ricerca per trovare il diametro e l'altezza esatti che produrrebbero quel particolare modello. Testa milioni di possibili combinazioni di dimensione e altezza finché non trova quella che corrisponde perfettamente ai dati luminosi corretti.

Per dimostrare che questo metodo funzioni effettivamente, il team aveva bisogno di un modo per verificare i propri risultati rispetto alla realtà. Hanno costruito un sistema separato e automatizzato per analizzare le immagini scattate da un microscopio elettronico dopo la fine della crescita. Questo sistema ha utilizzato un potente modello di riconoscimento delle immagini per identificare migliaia di singoli nanofili nelle foto e misurarne le dimensioni automaticamente. Confrontando le misurazioni effettuate dal sistema basato sulla luce durante la crescita con le misurazioni effettuate dal microscopio elettronico dopo la crescita, hanno potuto vedere quanto fosse accurato il loro nuovo metodo. I risultati sono stati straordinariamente precisi. Per il diametro dei fili, il loro sistema presentava un errore medio di soli 0,22 nanometri. Per l'altezza, l'errore era ancora più piccolo, appena 0,12 nanometri. Per dare un termine di paragone, un singolo nanometro è un miliardesimo di metro; l'errore nella loro misurazione è inferiore alla larghezza di un singolo atomo.

I ricercatori hanno testato questo framework su un set di campioni di nanofili che il computer non aveva mai visto durante l'addestramento. Anche con questi campioni completamente nuovi, il sistema ha mantenuto il suo alto livello di accuratezza. Ciò suggerisce che il metodo non sta solo memorizzando schemi specifici, ma ha imparato una regola generale per tradurre la luce in forma. Lo studio dimostra che è possibile monitorare la crescita di queste delicate strutture con una precisione sub-nanometrica in tempo reale. Questa capacità potrebbe consentire agli ingegneri di regolare istantaneamente le condizioni di crescita se un filo inizia a formarsi in modo errato, garantendo che ogni chip prodotto sia perfetto. Combinando ottica avanzata, intelligenza artificiale e una rigorosa validazione, il team ha trasformato un difficile puzzle ottico in uno strumento affidabile per il futuro della produzione di semiconduttori.

Sintesi Tecnica: Metrologia di Angolo-Risoluta assistita da DeepONet per la Metrologia In Situ Sub-nanometrica della Geometria di Nanofili

Definizione del Problema
La metrologia accurata in situ di array di nanofili cresciuti mediante Epitassia da Fascio Molecolare (MBE) è fondamentale per il controllo della fabbricazione di nanostrutture semiconduttrici. Tuttavia, le tecniche di monitoraggio esistenti affrontano limitazioni significative. I metodi ex situ (ad esempio, SEM) mancano di feedback in tempo reale, mentre le tecniche in situ come la Diffrazione di Raggi X ad Alta Energia (RHEED) sono sensibili alla ricostruzione superficiale ma faticano nell'estrazione quantitativa dei parametri geometrici dei nanofili. La scatterometria ottica offre un'alternativa non a contatto e ad alta velocità; tuttavia, in condizioni di elevata Apertura Numerica (NA), l'inversione elettromagnetica diretta basata sulla Rigorous Coupled-Wave Analysis (RCWA) soffre di non-unicità, instabilità e discrepanze sistematiche tra gli spettri sperimentali e le simulazioni ideali. Questi disallineamenti degradano la robustezza dell'inversione geometrica, impedendo la precisione sub-nanometrica.

Metodologia
Gli autori propongono un framework integrato che combina quattro componenti sinergiche per ricostruire la morfologia di array di nanofili di GaN drogati con Si:

Misurazione potenziata da ARS: Un sistema di scatterometria risolta in angolo (ARS) integrato nella camera MBE cattura le distribuzioni di scattering in campo lontano ad ampio angolo. Queste vengono mappate sul piano focale posteriore (BFP) e convertite in spettri di riflettanza risolti in angolo e normalizzati, $R(\theta)$ , sensibili alla morfologia.
Selezione della Lunghezza d'Onda: Un classificatore 1D-CNN supervisionato è stato impiegato per valutare la discriminabilità di $R(\theta)$ attraverso diverse lunghezze d'onda e temperature di drogaggio. $\lambda = 574$ nm è stato selezionato come la lunghezza d'onda operativa ottimale grazie alla sua superiore separabilità delle caratteristiche e alla stabilità di convergenza.
Pre-correzione Spettrale basata su DeepONet: Per affrontare il disallineamento sistematico tra gli spettri misurati ( $R_{exp}$ ) e le simulazioni RCWA ideali ( $R_{sim}$ ), è stata addestrata una rete Deep Operator Network (DeepONet). Questo modulo apprende una mappatura funzione-funzione dal dominio spettrale sperimentale al dominio compatibile con RCWA, producendo uno spettro corretto ( $R_{corr}$ ). Fondamentalmente, DeepONet non predice direttamente i parametri geometrici, ma corregge la rappresentazione spettrale per allinearla alle simulazioni fisiche.
Inversione RCWA guidata da PSO: La Particle Swarm Optimization (PSO) viene utilizzata per recuperare il diametro ( $D$ ) e l'altezza ( $H$ ) del nanofilo minimizzando l'Errore Quadratico Medio (RMSE) tra lo spettro simulato RCWA $R_{sim}(\theta; D, H)$ e il target corretto da DeepONet $R_{corr}(\theta)$ .
Validazione SEM assistita da SAM: Per una validazione indipendente, è stato sviluppato un workflow automatizzato che utilizza il Segment Anything Model (SAM). Questo workflow elabora immagini SEM top-view e in sezione trasversale per estrarre i parametri geometrici medi dell'ensemble (diametro equivalente e altezza) da migliaia di istanze di nanofili, fornendo un riferimento statisticamente robusto senza delineazione manuale.

Risultati Chiave
Il framework è stato validato utilizzando un dataset di test (T1080) composto da campioni cresciuti in condizioni completamente escluse da tutto l'addestramento del modello e dalla sintonizzazione degli iperparametri.

Correzione Spettrale: Il modulo DeepONet ha ridotto con successo lo spostamento di dominio sistematico tra gli spettri sperimentali e quelli simulati. Gli studi di ablazione hanno dimostrato che l'utilizzo degli spettri misurati grezzi comportava errori di ricostruzione elevati (RMSE di 4,098 nm per il diametro e 26,530 nm per l'altezza). Al contrario, l'uso degli spettri corretti da DeepONet ha ridotto l'RMSE a 0,219 nm per il diametro e 0,118 nm per l'altezza.
Accuratezza dell'Inversione: Sul set di test T1080, il framework proposto ha raggiunto RMSE medi a livello di campione di 0,22 nm per il diametro e 0,12 nm per l'altezza rispetto ai riferimenti SEM derivati da SAM.
Convergenza: La pre-correzione spettrale ha migliorato significativamente la stabilità dell'inversione PSO, riducendo il numero medio di iterazioni necessarie per la convergenza da 213 (dati grezzi) a 156 (dati corretti).
Generalizzazione: L'accurata ricostruzione della condizione non vista T1080 dimostra che il framework apprende un operatore di allineamento spettrale generalizzabile piuttosto che memorizzare specifici spettri di addestramento.

Significatività e Rivendicazioni
L'articolo afferma che questo lavoro dimostra la fattibilità del raggiungimento di una ricostruzione ottica con precisione sub-nanometrica della geometria dell'ensemble di nanofili attraverso l'integrazione sinergica di:

Misurazione ottica risolta in angolo.
Correzione spettrale basata sull'apprendimento di operatori (DeepONet).
Inversione RCWA guidata dalla fisica (PSO).
Validazione SEM automatizzata e statisticamente rigorosa (SAM).

Gli autori sottolineano che, definendo le quantità ricostruite come "diametro equivalente e altezza a livello di campione", il metodo si allinea alle assunzioni di cella unitaria periodica della RCWA e alla natura mediata dell'ensemble del riferimento SEM. Questo approccio affronta la sfida di lunga data delle discrepanze sistematiche nella scatterometria ottica, offrendo una via pratica e non a contatto per il monitoraggio in tempo reale della crescita dei nanofili in ambienti MBE. Il lavoro stabilisce un principio di progettazione secondo cui le lunghezze d'onda operative devono essere rigorosamente accoppiate a risposte spettrali sensibili alla morfologia e che separare la correzione spettrale dall'inversione geometrica è essenziale per una metrologia stabile e ad alta precisione.

Articoli simili