🔬 physics

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

본 논문은 Si-도핑된 GaN 나노와이어 기하구조의 인시튜(in situ) 계측에서 서브 나노미터 정밀도를 달성하기 위해, 스펙트럼 보정을 위한 연산자 학습, RCWA 역산(inversion)을 위한 입자 군집 최적화, 그리고 SAM이 강화된 SEM 검증을 통합한 DeepONet 지원 각분해 산란법(angle-resolved scatterometry) 프레임워크를 제시한다.

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

게시일 2026-10-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 전자 공학의 세계에서 가장 진보된 칩들은 나노와이어라고 불리는 아주 작은 구조물에 의존합니다. 이것들은 가정용 램프에서 볼 수 있는 굵은 전선이 아니라, 수백 개를 합쳐도 사람 머리카락 한 가닥의 너비에 들어갈 정도로 가느다란 반도체 물질의 기둥입니다. 이 와이어들이 제대로 작동하게 만들기 위해, 과학자들은 분자 빔 에피택시(molecular beam epitaxy)라고 불리는 기술을 사용하여 진공 챔버 안에서 이들을 성장시킵니다. 이 과정은 갈륨, 질소, 실리콘 원자들이 뜨거운 표면에 발사되어 층층이 달라붙으며 와이어를 구축하는 정밀한 오븐과 같습니다. 문제는 이 와이어들이 매우 민들이 예민하다는 점입니다. 온도의 미세한 변화나 첨가되는 실리콘 양의 약간의 변화만으로도 모양, 크기, 그리고 전기를 전도하는 방식이 변할 수 있습니다. 만약 와이어의 크기가 적절하지 않다면, 이들로 만들어진 장치는 실패하게 됩니다. 수십 년 동안 과학자들은 이 와이어들이 성장하는 동안 이를 측정하기 위해 고군분투해 왔습니다. 전통적인 방법은 샘플을 챔버 밖으로 꺼내 강력한 전자 현미경으로 관찰해야 하는데, 그 시점에는 이미 성장 과정이 끝나버려 실수를 바로잡을 수 없습니다.

한 연구팀은 나노와이어 어레이를 성장 챔버 내부에서 직접 건드리지 않고도 실시간으로 극도로 정밀하게 측정할 수 있는 새로운 방법을 개발했습니다. 그들은 빛을 사용하여 성장 중인 와이어의 형상을 "보는" 시스템을 만들었습니다. 사진을 찍는 대신, 이 시스템은 성장하는 나노와이어에 빛의 빔을 쏘고 반사되어 돌아오는 빛의 패턴을 포착합니다. 와이어가 매우 작기 때문에, 이들은 직경과 높이에 따라 완전히 결정되는 특정한 방식으로 빛을 산란시킵니다. 연구진은 이를 각도 분해 산란법(angle-resolved scatterometry)이라고 부릅니다. 문제는 카메라에 포착된 가공되지 않은 빛 패턴이 과학자들이 빛의 거동을 예측하기 위해 사용하는 완벽한 수학적 모델과 일치하지 않는다는 점입니다. 현실 세계는 렌즈와 재료의 결함 등으로 인해 무질서하며, 이로 인해 측정값과 컴퓨터 모델이 기대하는 값 사이에 간극이 발생합니다. 이러한 불일치는 대개 컴퓨터 모델이 예상하는 대로 정확한 와이어 치수를 계산하는 것을 불가능하게 만듭니다.

이 간극을 메우기 위해 연구진은 DeepONet이라 불리는 일종의 인공지능에 기반한 영리한 소프트웨어 도구를 도입했습니다. 이 도구를 실제의 무질서한 빛 패턴을 컴퓨터 모델이 이해할 수 있는 깨끗하고 이상적인 형식으로 변환하는 법을 배우는 번역가라고 생각하면 됩니다. 시스템은 먼저 나노와이어에 의해 산란된 빛을 포착하여, 이는 본질적으로 다양한 각도에서 빛이 얼마나 반사되는지를 보여주는 그래프인 스펙트럼으로 변환합니다. 그런 다음 DeepONet 소프트웨어가 이 그래프를 가져와 실험적 오류를 매끄럽게 다듬고 이론적 예측에 맞게 보정합니다. 빛 패턴이 보정되면, 시스템은 특정 패턴을 만들어내는 정확한 직경과 높이를 찾기 위해 탐색 알고 알고리즘을 사용합니다. 시스템은 크기와 높이의 가능한 수백만 가지 조합을 테스트하여 보정된 빛 데이터와 완벽하게 일치하는 값을 찾아냅니다.

이 방법이 실제로 작동하는지 증명하기 위해, 팀은 결과값을 진실과 대조할 방법이 필요했습니다. 그들은 성장이 끝난 후 전자 현미경으로 촬영한 이미지를 분석하는 별도의 자동화된 시스템을 구축했습니다. 이 시스템은 강력한 이미지 인식 모델을 사용하여 사진 속 수천 개의 개별 나노와이어를 자동으로 식별하고 그 크기를 측정했습니다. 성장 중 빛 기반 시스템을 통해 얻은 측정값과 성장 후 전자 현미경을 통해 얻은 측정값을 비교함으로써, 그들은 새로운 방법이 얼마나 정확한지 확인할 수 있었습니다. 결과는 놀라울 정도로 정밀했습니다. 와이어의 직경에 대해 그들의 시스템은 평균적으로 단 0.22 나노미터의 오차만을 보였습니다. 높이에 대한 오차는 더욱 작아서 단 0.12 나노미터에 불과했습니다. 이를 체감하기 위해 설명하자면, 1나노미터는 10억 분의 1미터이며, 그들의 측정 오차는 단일 원자의 폭보다도 작습니다.

연구진은 훈련 과정에서 컴퓨터가 한 번도 본 적 없는 새로운 나노와이어 샘플 세트를 사용하여 이 프레임워크를 테스트했습니다. 완전히 새로운 샘플임에도 불구하고 시스템은 높은 수준의 정확도를 유지했습니다. 이는 시스템이 단순히 특정 패턴을 암기하는 것이 아니라, 빛을 형상으로 변환하는 일반적인 규칙을 학습했음을 시사합니다. 이 연구는 이러한 섬세한 구조물을 실시간으로 서브 나노미터 정밀도로 모니터링하는 것이 가능하다는 것을 보여줍니다. 이러한 능력은 엔지니어가 와이어가 잘못 형성되기 시작할 때 즉각적으로 성장 조건을 조정할 수 있게 하여, 생산되는 모든 칩이 완벽하도록 보장할 수 있습니다. 첨단 광학, 인공지능, 그리고 엄격한 검증을 결합함으로써, 연구팀은 까다로운 광학적 퍼즐을 반도체 제조의 미래를 위한 신뢰할 수 있는 도구로 탈바꿈시켰습니다.

기술 요약: 나노와이어 기하학적 구조의 서브 나노미터급 인시튜(In Situ) 측정을 위한 DeepONet 기반 각분해 산란계측법

문제 정의
분자선 에피택시(MBE)로 성장하는 나노와이어 어레이의 정확한 인시튜(in situ) 계측은 반도체 나노구조 제조를 제어하는 데 매우 중요하다. 그러나 기존의 모니터링 기술은 상당한 한계에 직면해 있다. SEM과 같은 엑시튜(ex situ) 방식은 실시간 피드백이 불가능하며, RHEED와 같은 인시튜 기술은 표면 재구조화에는 민감하지만 나노와이어의 기하학적 파라미터를 정량적으로 추출하는 데 어려움이 있다. 광학 산란계측(Scatterometry)은 비접촉식의 고속 대안을 제공하지만, 높은 수치 구경(NA) 조건 하에서 엄밀 결합 파동 분석(RCWA)에 기반한 직접적인 전자기적 역산은 비유일성, 불안정성, 그리고 실험 스펙트럼과 이상적인 시뮬레이션 사이의 체계적 불일치 문제를 겪는다. 이러한 불일치는 기하학적 역산의 견고성을 저하시켜 서브 나노미터 수준의 정밀도를 방해한다.

방법론
저자들은 Si가 도핑된 GaN 나노와이어 어레이의 형태를 재구성하기 위해 네 가지 시너지 구성 요소가 통합된 프레임워크를 제안한다:

ARS 강화 측정: MBE 챔버 내에 통합된 각분해 산란계측(ARS) 시스템이 광각 원거리 장(far-field) 산란 분포를 포착한다. 이는 후방 초점 평면(BFP)에 매핑되며, 형태 변화에 민감한 정규화된 각분해 반사 스펙트럼 $R(\theta)$ 로 변환된다.
파장 선택: 지도 학습 기반의 1D-CNN 분류기를 사용하여 다양한 파장 및 도핑 온도에 따른 $R(\theta)$ 의 판별력을 평가하였다. $\lambda = 574$ nm는 우수한 특징 분리성과 안정적인 수렴성을 보여 최적의 작동 파장으로 선택되었다.
DeepONet 기반 스펙트럼 사전 보정: 측정된 스펙트럼( $R_{exp}$ )과 이상적인 RCWA 시뮬레이션( $R_{sim}$ ) 사이의 체계적 불일치를 해결하기 위해 Deep Operator Network(DeepONet)를 학습시켰다. 이 모듈은 실험적 스펙트럼 영역에서 RCWA 호환 영역으로의 함수 대 함수 매핑을 학습하여 보정된 스펙트럼( $R_{corr}$ )을 생성한다. 결정적으로, DeepONet은 기하학적 파라미터를 직접 예측하는 것이 아니라, 물리적 시뮬레이션과 일치하도록 스펙트럼 표현을 보정한다.
PSO 기반 RCWA 역산: 나노와이어 직경( $D$ )과 높이( $H$ )를 추출하기 위해, RCWA 시뮬레이션 스펙트럼 $R_{sim}(\theta; D, H)$ 와 DeepONet으로 보정된 타겟 $R_{corr}(\theta)$ 사이의 평균 제곱근 오차(RMSE)를 최소화하는 입자 군집 최적화(PSO)를 사용한다.
SAM 보조 SEM 검증: 독립적인 검증을 위해, Segment Anything Model(SAM)을 활용한 자동화된 워크플로우를 개발하였다. 이 워크플로우는 탑 뷰(top-view) 및 단면 SEM 이미지를 처리하여 수천 개의 나노와이어 사례로부터 앙상블 평균 기하학적 파라미터(등가 직경 및 높이)를 추출함으로써, 수동 묘사 없이 통계적으로 견고한 참조 값을 제공한다.

주요 결과
본 프레임워크는 모든 모델 학습 및 하이퍼파라미터 튜닝에서 완전히 제외된 조건으로 성장한 샘플 세트(T1080)를 사용하여 검증되었다.

스펙트럼 보정: DeepONet 모듈은 실험 스펙트럼과 시뮬레이션 스펙트럼 사이의 체계적인 도메인 이동을 성공적으로 감소시켰다. 절제 연구(Ablation studies) 결과, 가공되지 않은 측정 스펙트럼을 사용할 경우 큰 재구성 오차(직경 RMSE 4.098 nm, 높이 RMSE 26.530 nm)가 발생했다. 반면, DeepONet으로 보정된 스펙트럼을 사용하면 직경에 대한 RMSE는 0.219 nm, 높이에 대한 RMSE는 0.118 nm로 감소하였다.
역산 정확도: T1080 테스트 세트에서, 제안된 프레임워크는 SAM 기반 SEM 참조 값과 비교했을 때 샘플 수준의 평균 RMSE를 직경 0.22 nm, 높이 0.12 nm로 달성하였다.
수렴성: 스펙트럼 사전 보정은 PSO 역산의 안정성을 크게 향상시켜, 수렴에 필요한 평균 반복 횟수를 가공 데이터 기준 213회에서 보정 데이터 기준 156회로 줄였다.
일반화: 학습되지 않은 T1080 조건에 대한 정확한 재구성은 본 프레임워크가 특정 스펙트럼을 암기하는 것이 아니라 일반화 가능한 스펙트럼 정렬 연산자를 학습했음을 입증한다.

의의 및 주장
본 논문은 다음의 시너지 통합을 통해 서브 나노미터 정밀도의 광학적 재구성이 가능하다는 것을 입증한다고 주장한다:

각분해 광학 측정.
연산자 학습 기반의 스펙트럼 보정 (DeepONet).
물리 기반 RCWA 역산 (PSO).
통계적으로 엄격하고 자동화된 SEM 검증 (SAM).

저자들은 재구성된 양을 "샘플 수준의 등가 직경 및 높이"로 정의함으로써, 이 방법이 RCWA의 주기적 단위 격자 가정 및 SEM 참조의 앙상블 평균 특성과 일치하도록 설계되었음을 강조한다. 이 접근 방식은 광학 산란계측의 고질적인 문제인 체계적 불일치를 해결하며, MBE 환경에서 나노와이어 성장을 실시간으로 모니터링할 수 있는 실용적인 비접촉 경로를 제공한다. 본 연구는 작동 파장이 형태 변화에 민감한 스펙트럼 응답과 엄격하게 일치해야 하며, 스펙트럼 보정과 기하학적 역산을 분리하는 것이 안정적이고 고정밀한 계측을 위해 필수적이라는 설계 원칙을 확립하였다.

유사한 논문