🔬 physics

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

本論文は、スペクトル補正のためのオペレータ学習、RCWA逆解析のための粒子群最適化、およびSAM強化SEM検証を統合することで、SiドープGaNナノワイヤ構造のin situ計測においてサブナノメートル精度を実現する、DeepONet支援型角度分解散乱計フレームワークを提案する。

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

公開日 2026-10-04

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

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

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

現代の電子機器の世界において、最も高度なチップはナノワイヤと呼ばれる極めて微細な構造に依存しています。これらは家庭用のランプにあるような太いワイヤではなく、人間の髪の毛の幅の中に数百本も収まるほど細い、半導体材料の細長い柱です。これらのワイヤを機能させるために、科学者たちは分子線エピタキシーと呼ばれる手法を用いて、真空チャンバーの中でこれらを成長させます。このプロセスは、ガリウム、窒ノゲン、シリコンの原子が熱い表面に撃ち込まれ、それらが層を重ねるように付着してワイヤを構築していく、高精度なオーブンのようなものです。課題は、これらのワイヤが非常に敏感であることです。温度のわずかな変化や、加えられるシリコンの量のわずかな変化によって、その形状、サイズ、および電気の伝導性が変わってしまうことがあります。もしワイヤが適切なサイズでなければ、それらから作られるデバイスは失敗してしまいます。数十年にわたり、科学者たちはこれらのワイヤが成長している最中に測定することに苦心してきました。従来の測定法では、強力な電子顕微鏡で観察するためにサンプルをチャンバーの外に取り出す必要がありますが、その時にはすでに成長プロセスが終わっており、ミスを修正することはできません。

研究チームは、成長チャンバーの中に置かれたまま、決して触れることなく、これらのナノワイヤ配列を極めて高い精度で測定する新しい方法を開発しました。彼らは、光を用いてリアルタイムでワイヤの形状を「見る」システムを作り上げました。これは写真を撮るのではなく、成長中のワイヤに光のビームを照射し、跳ね返ってきた光のパターンを捉えるシステムです。ワイヤは非常に小さいため、光を特定の 방식으로散乱させますが、その散乱の仕方は完全にその直径と高さに依存します。研究者たちはこれを角度分解散乱法と呼んでいます。問題は、カメラによって捉えられた生の光のパターンが、光がどのように振る舞うべきかを予測するために科学者が用いる完璧な数学モデルと一致しないことです。現実の世界は、レンズや材料の不完全さによって混沌としており、測定値とコンピュータモデルが期待する値との間に乖離が生じます。この不一致により、通常はワイヤの寸法を正確に計算することが不可能になります。

この溝を埋めるために、研究者たちはDeepONetと呼ばれる一種の人工知能に基づいた巧妙なソフトウェアツールを導入しました。このツールを、乱雑で現実的な光のパターンを、コンピュータモデルが理解できるクリーンで理想化された形式へと変換することを学ぶ「翻訳者」と考えてください。システムはまず、ナノワイヤによって散乱された光を捉え、スペクトル（本質的には、異なる角度でどれだけの光が反射しているかを示すグラフ）に変換します。次に、DeepONetソフトウェアがこのグラフを取り込み、実験的なエラーを修正して、理論的な予測に適合するように滑らかにします。光のパターンが補正されると、システムは検索アルゴリズムを使用して、その特定のパターンを生み出す正確な直径と高さを探し出します。システムは、サイズと高さの何百万通りもの組み合わせをテストし、補正された光のデータと完全に一致するものを見つけ出します。

この手法が実際に機能することを証明するために、チームは結果を真実と比較検証する方法を必要としました。彼らは、成長が終わった後に電子顕微鏡で撮影された画像を分析するための、別の自動化されたシステムを構築しました。このシステムは、強力な画像認識モデルを使用して、写真の中の数千個の個別のナノワイヤを特定し、そのサイズを自動的に測定しました。成長中の光ベースのシステムによる測定値と、成長後の電子顕微鏡による測定値を比較することで、彼らの新しい手法がどれほど正確であるかを確認できました。結果は驚くほど精密でした。ワイヤの直径については、システムによる誤差は平均でわずか0.22ナノメートルでした。高さについては、誤差はさらに小さく、わずか0.12ナノメートルでした。これを比較するために言えば、1ナノメートルは10億分の1メートルであり、彼らの測定誤差は単一の原子の幅よりも小さいのです。

研究者たちは、学習中にコンピュータが一度も見ることのなかった新しいナノワイヤのサンプルセットに対して、このフレームワークをテストしました。これらの全く新しいサンプルに対しても、システムは高いレベルの精度を維持しました。これは、この手法が特定のパターンを単に暗記しているのではなく、光を形状へと翻訳するための一般的な規則を学習していることを示唆しています。この研究は、これらの繊細な構造の成長を、リアルタイムでサブナノメートル精度の精度で監視することが可能であることを証明しています。この能力により、エンジニアはワイヤが誤って形成され始めた場合に、成長条件を即座に調整できるようになり、製造されるすべてのチップが完璧であることを保証できます。高度な光学、人工知能、そして厳格な検証を組み合わせることで、チームはこの困難な光学的なパズルを、半導体製造の未来に向けた信頼できるツールへと変えたのです。

技術要約：ナノワイヤ形状のサブナノメートル・インサイチュ・メトロロジーのためのDeepONet支援型角度分解散乱法

問題提起
分子線エピタキシー（MBE）によって成長するナノワイヤアレイの正確なin situ（インサイチュ）メトロロジーは、半導体ナノ構造製造の制御において極めて重要である。しかし、既存のモニタリング技術は重大な限界に直面している。SEMなどのex situ（エクスシチュ）手法はリアルタイムのフィードバックを欠いており、RHEEDのようなin situ技術は表面再構成には敏感であるものの、ナノワイヤの幾何学的パラメータを定量的に抽出することには苦慮している。光散乱法は非接触かつ高速な代替案を提供するが、高開口数（NA）条件下では、厳密結合波解析（RCWA）に基づく直接的な電磁場逆解析は、非一意性、不安定性、および実験スペクトルと理想的なシミュレーションとの間の系統的な不一致に悩まされる。これらの不一致は幾何学的逆解析の堅牢性を低下させ、サブナノメートル精度の実現を妨げている。

手法
著者らは、SiドープGaNナノワイヤアレイの形態を再構成するために、4つの相乗的なコンポーネントを組み合わせた統合フレームワークを提案している。

ARS強化測定: MBEチャンバー内に統合された角度分解散乱（ARS）システムが、広角な遠方界散乱分布を捕捉する。これらは後焦点面（BFP）上にマッピングされ、形態感受性の高い正規化角度分解反射スペクトル $R(\theta)$ に変換される。
波長選択: 監視された1D-CNN分類器を用いて、異なる波長およびドーピング温度における $R(\theta)$ の識別能を評価した。特徴量の分離性と収束の安定性が最も優れたため、最適動作波長として $\lambda = 574$ nm が選択された。
DeepONetベースのスペクトル事前補正: 実験スペクトル（ $R_{exp}$ ）と理想的なRCWAシミュレーション（ $R_{sim}$ ）の間の系統的なミスマッチに対処するため、Deep Operator Network（DeepONet）が訓練された。このモジュールは、実験的スペクトル領域からRCWA適合領域への関数対関数のマッピングを学習し、補正されたスペクトル（ $R_{corr}$ ）を生成する。決定的なことに、DeepONetは幾何学的パラメータを直接予測するのではなく、物理シミュレーションと整合するようにスペクトル表現を補正する。
PSO駆動型RCWA逆解析: 粒子群最適化（PSO）を用いて、RCWAシミュレーションスペクトル $R_{sim}(\theta; D, H)$ とDeepONetで補正されたターゲット $R_{corr}(\theta)$ との間の平方根平均二乗誤差（RMSE）を最小化することにより、ナノワイヤの直径（ $D$ ）と高さ（ $H$ ）を回収する。
SAM支援型SEM検証: 独立した検証のために、Segment Anything Model（SAM）を利用した自動ワークフローが開発された。このワークフローは、トップビューおよび断面SEM画像を処理して、数千のナノワイヤインスタンスからアンサンブル平均化された幾何学的パラメータ（等価直径および高さ）を抽出する。これにより、手動の輪郭抽出なしに統計的に堅牢なリファレンスを提供する。

主な結果
本フレームワークは、すべてのモデル訓練およびハイパーパラメータ調整から完全に除外された条件で成長させたサンプルからなる、ホールドアウトデータセット（T1080）を用いて検証された。

スペクトル補正: DeepONetモジュールは、実験スペクトルとシミュレーションスペクトルの間の系統的なドメインシフトを効果的に低減した。アブレーション研究によれば、生の測定スペクトルを使用した場合、再構成誤差は非常に大きく（直径でRMSE 4.098 nm、高さで26.530 nm）、対照的に、DeepONetで補正されたスペクトルを使用することで、RMSEは直径 0.219 nm、高さ 0.118 nm まで減少した。
逆解析精度: T1080テストセットにおいて、提案されたフレームワークは、SAMによるSEMリファレンスと比較して、サンプルレベルの平均RMSEで、直径 0.22 nm、高さ 0.12 nm を達成した。
収束性: スペクトル事前補正は、PSO逆解析の安定性を大幅に向上させ、収束に必要な平均反復回数を、生のデータでの213回から、補正済みデータでは156回へと減少させた。
汎用性: 未知の条件であるT1080における正確な再構成は、本フレームワークが特定の訓練スペクトルを記憶しているのではなく、汎用的なスペクトル整合オペレータを学習していることを示している。

意義および主張
本論文は、以下の相乗的な統合を通じて、サブナノメートル精度の光学再構成の実現可能性を示すものであると主張している。

角度分解光学測定。
オペレータ学習ベースのスペクトル補正（DeepONet）。
物理駆動型RCWA逆解析（PSO）。
統計的に厳密な自動SEM検証（SAM）。

著者らは、再構成される量を「サンプルレベルの等価直径および高さ」と定義することで、RCWAの周期的な単位セル仮定およびSEMリファレンスのアンサンブル平均的な性質と一致させていることを強調している。このアプローチは、光学散乱法における系統的な不一致という長年の課題に対処し、MBE環境におけるリアルタイムモニタリングのための実用的な非接触ルートを提供する。本研究は、動作波長が形態感受性の高いスペクトル応答に厳密に一致させる必要があること、およびスペクトル補正と幾何学的逆解析を分離することが高精度なメトロロジーにおいて不可欠であるという設計原則を確立している。

関連論文