Gen-Fab: A Variation-Aware Generative Model for Predicting Fabrication Variations in Nanophotonic Devices

Dit paper introduceert Gen-Fab, een variation-aware generatief model op basis van cGAN dat ontwerplayouts omzet in diverse, hoogresolutie voorspellingen van nanofotonische fabricagevariaties en hiermee de nauwkeurigheid en onzekerheidsmodellering van bestaande methoden verbetert.

De kern

Stel je voor dat je een meester-architect bent die prachtige, minuscule gebouwen ontwerpt voor een stad die zo klein is dat je ze alleen met een superkrachtige microscoop kunt zien. Dit zijn siliconen fotonic chips: computerchips die licht gebruiken in plaats van elektriciteit om data te verwerken. Ze zijn razendsnel en zuinig.

Het probleem? De bouwvakkers (de fabrieksprocessen) zijn niet perfect.

Het Probleem: De "Onvolmaakte" Bouwplaats

Wanneer je een perfect ontwerp (een tekening) naar de fabriek stuurt, gebeurt er van alles dat je niet zag aankomen. De bouwvakkers kunnen een hoekje iets te scherp snijden, een muur iets te dik maken, of een hoekje afronden in plaats van scherp te laten. Dit noemen ze fabricage-variaties.

In de echte wereld betekent dit dat twee chips die exact hetzelfde ontwerp hebben, er na de bouw net iets anders uitzien en zich anders gedragen. Soms werkt de chip perfect, soms faalt hij.

Vroeger gebruikten ingenieurs simpele regels om dit te voorspellen, zoals: "Als de muur 10% dikker is, dan werkt hij niet." Maar de werkelijkheid is veel chaotischer en complexer. Het is alsof je probeert het weer te voorspellen door alleen naar de temperatuur te kijken, terwijl wind, vochtigheid en luchtdruk ook een rol spelen.

De Oplossing: Gen-Fab (De "Magische" Voorspeller)

De auteurs van dit paper hebben een slimme nieuwe tool bedacht genaamd Gen-Fab. Je kunt dit zien als een digitale tweeling van de fabriek, maar dan met een magische twist.

Stel je voor dat je een tekening van een huis hebt.

• De oude manier (Deterministische modellen): Een computer kijkt naar de tekening en zegt: "Dit huis wordt precies zo." Het tekent één perfecte versie. Maar in de echte wereld is dat onjuist; het huis kan net iets scheef staan of de dakpannen kunnen net iets anders liggen.
• De nieuwe manier (Gen-Fab): Gen-Fab is als een kunstenaar met een magisch dobbelsteen. Als je dezelfde tekening geeft, zegt hij niet: "Hier is het huis." Hij zegt: "Hier zijn 100 mogelijke versies van hoe dit huis eruit zou kunnen zien als het door de echte bouwvakkers wordt gebouwd."

Hij trekt een willekeurige "lot" (een latent noise vector) en tekent een versie. Trekt hij een ander lot? Dan tekent hij een andere versie. Alle versies lijken op het origineel, maar hebben kleine, realistische onvolkomenheden: een hoekje dat iets afgerond is, een randje dat ruw is.

Hoe werkt het? (De Analogie van de Kunstschool)

Gen-Fab is een soort kunstschool die is opgeleid op duizenden foto's van echte, gebouwde chips (gemaakt met een elektronenmicroscoop, of SEM).

1. De Leerling (De Generator): Deze ziet een tekening en probeert een foto te maken van hoe het eruit zou zien als het gebouwd was.
2. De Kritische Oog (De Discriminator): Deze kijkt naar de foto's en zegt: "Is dit een echte fabrieksfoto of heb jij dit verzonnen?"
3. De Oefening: De leerling moet steeds beter worden in het vervalsen van echte foto's, inclusief de kleine foutjes die de bouwvakkers maken. De "magische dobbelsteen" zorgt ervoor dat de leerling niet steeds hetzelfde teekent, maar een heel scala aan mogelijke foutjes leert reproduceren.

Waarom is dit beter dan de rest?

De auteurs hebben Gen-Fab vergeleken met drie andere methoden:

1. De Strakke Tekenaar (U-Net): Tekent één perfect huis. Mist de chaos van de echte wereld.
2. De Dronken Tekenaar (MC-Dropout): Tekent een huis, maar laat zijn hand soms trillen om variatie te maken. Dit voelt echter onnatuurlijk en voorspelt niet de juiste soorten fouten.
3. De Groep Tekenaars (Ensemble): Je hebt 35 verschillende tekenaars die elk een huis tekenen. Dit werkt redelijk, maar is duur en traag.

Gen-Fab wint het:

• Het is sneller (één model in plaats van 35).
• Het is realistischer. De fouten die Gen-Fab tekent, lijken precies op de fouten die je in de echte fabriek ziet (zoals afgeronde hoekjes of ruwe randen).
• Het voorspelt de onzekerheid beter. In plaats van één antwoord te geven, geeft het een "wolk" van mogelijke uitkomsten, zodat ingenieurs kunnen zien: "Oké, 90% van de tijd werkt dit, maar 10% van de tijd kan deze hoekje breken."

Wat betekent dit voor de toekomst?

Met Gen-Fab kunnen ingenieurs hun ontwerpen testen in de virtuele wereld voordat ze een cent uitgeven aan echte bouw. Ze kunnen duizenden variaties van hun ontwerp door Gen-Fab laten "bouwen" en kijken of het ontwerp robuust genoeg is om de kleine foutjes van de fabriek te overleven.

Het is alsof je een auto ontwerpt en eerst duizenden virtuele botsingen laat uitvoeren met verschillende wegomstandigheden, voordat je ook maar één stuk metaal buigt. Dit leidt tot betere, betrouwbaardere en snellere chips voor onze computers, auto's en sensoren.

Kortom: Gen-Fab is de slimme voorspeller die ons leert dat in de micro-wereld "perfect" niet bestaat, en dat we ontwerpen moeten maken die bestand zijn tegen de kleine, willekeurige foutjes van de echte wereld.

Technische samenvatting

Probleemstelling

Silicon-fotonische apparaten zijn extreem gevoelig voor fabricage-afwijkingen die ontstaan tijdens de productieprocessen (zoals lithografie en etsen). Deze afwijkingen omvatten fenomenen zoals over-etsen, onder-etsen en het afronden van hoeken. Cruciaal is dat deze variaties niet-uniform zijn en afhankelijk van de grootte en vorm van de kenmerken.

Traditionele benaderingen, zoals statistische "corner analysis" en conventionele ontwerpregels, zijn te simplistisch. Ze missen de ruimtelijke resolutie en kunnen de complexe, stochastische aard van werkelijke procesvariaties niet vastleggen. Dit leidt tot een kloof tussen het ideale ontwerp (in GDS-formaat) en het daadwerkelijk gefabriceerde resultaat (zichtbaar in Scanning Electron Microscope of SEM-beelden). Er is behoefte aan een "digitale tweeling" die niet slechts één voorspelling doet, maar een distributie van mogelijke fabricage-uitkomsten kan genereren om zowel deterministische structuren als stochastische variabiliteit te modelleren.

Methodologie: Gen-Fab

De auteurs stellen Gen-Fab voor, een conditioneel generatief model dat gebaseerd is op Generative Adversarial Networks (GANs), specifiek een variant van het Pix2Pix-framework.

1. Architectuur:

   • Gen-Fab gebruikt een U-Net generator met een encoder-decoder structuur en skip-connections.
   • Het belangrijkste onderscheid met de standaard Pix2Pix is de invoering van een latent noise vector ($z$) op de bottleneck-laag van de generator.
   • De input is een GDS-layout (ontwerp), en de output is een gesimuleerd SEM-beeld.
   • Door de latent noise vector $z$ te injecteren, wordt het model in staat gesteld om een one-to-many mapping te leren: één enkel ontwerp kan leiden tot meerdere verschillende, plausibele SEM-afbeeldingen die de variatie in de fabricage nabootsen.

2. Discriminator:

   • De discriminator gebruikt een PatchGAN-architectuur. In plaats van het hele beeld te beoordelen, evalueert hij kleine patches (70x70 pixels) om te bepalen of ze realistisch zijn. Dit zorgt voor hoge frequentie-consistentie en scherpe randen.

3. Trainingsdoelen:

   • Het model wordt getraind met een combinatie van twee verliesfuncties:
     • Adversariaal verlies ($L_{GAN}$): Zorgt ervoor dat de gegenereerde beelden ononderscheidbaar zijn van echte SEM-beelden.
     • Reconstructieverlies ($L_1$): Straft pixel-fouten tussen de gegenereerde afbeelding en de ground-truth SEM afbeelding. Dit garandeert dat de hoofdstructuur van het apparaat behouden blijft.
   • De totale loss voor de generator is: $L_G = L_{GAN} + \lambda L_1$, waarbij $\lambda = 100$ is ingesteld om de balans tussen scherpte en trouw aan het ontwerp te vinden.

4. Inference (Generatie):

   • Tijdens het gebruik wordt de discriminator verworpen. Om meerdere uitkomsten te genereren voor één ontwerp, worden er meerdere onafhankelijke noise-vectors ($z$) getrokken en door de generator gevoerd.

Belangrijkste Bijdragen

• Variatie-bewust Modelleren: Gen-Fab is de eerste toepassing die een conditionele GAN succesvol toepast om de stochastische variabiliteit van nanofotonische fabricage te modelleren, in plaats van alleen een deterministische voorspelling.
• Digitale Tweeling: Het biedt een kernfunctionaliteit voor een generatieve digitale tweeling, waarmee ontwerpers kunnen "proefdraaien" met de fabricagevariatie voordat ze fysiek produceren.
• Uitgebreide Vergelijking: Het model wordt geëvalueerd tegen drie sterke baselines:
  1. Een deterministische U-Net.
  2. Een U-Net met Monte Carlo (MC) Dropout (voor onzekerheidsschatting).
  3. Een ensemble van verschillende U-Nets (Varying U-Nets).
• Robuustheid: Het model is getest op een Out-of-Distribution (OOD) dataset, wat aantoont dat het generaliseert naar geometrieën die niet in de trainingsdata zaten.

Resultaten

De evaluatie vond plaats op een dataset van gefabriceerde fotonische teststructuren (crossen, vierkanten, doel-achtige structuren) met verschillende afmetingen. De prestaties werden gemeten met zowel pixel-gebaseerde als distributie-gebaseerde metrieken.

1. Intersection-over-Union (IoU):

   • Gen-Fab behaalde de hoogste IoU-score van 89,8% (bij "Greedy matching"), wat significant hoger is dan de deterministische U-Net (85,3%), MC-Dropout U-Net (83,4%) en Varying U-Nets (85,8%).
   • Zelfs bij willekeurige matching (zonder de beste match te kiezen) scoorde Gen-Fab hoger (88,7%) dan de beste resultaten van de andere modellen.

2. Distributie-afstand (KL-Divergence en Wasserstein Distance):

   • Gen-Fab toonde de laagste waarden voor Kullback-Leibler Divergence (KL-D) en Wasserstein Distance (W-D) over alle structuren.
   • Dit betekent dat de distributie van de gegenereerde beelden statistisch het dichtst bij de verdeling van de echte fabricage-uitkomsten ligt.
   • MC-Dropout presteerde slecht op deze metrieken, wat aangeeft dat het model onzekerheid (epistemische onzekerheid) niet goed kan vertalen naar de werkelijke data-variatie (aleatorische onzekerheid).

3. Kwalitatieve Analyse:

   • Deterministische modellen produceerden vaak te gladde, symmetrische beelden die de randruwheid en asymmetrie van echte fabricage misten.
   • Gen-Fab produceerde beelden met realistische defecten (zoals variabele armdikte en randperturbaties) die sterk leken op echte SEM-beelden.
   • Variatiekaarten toonden aan dat Gen-Fab de variatie correct concentreert langs de randen van de structuren, terwijl andere modellen ofwel geen variatie toonden of overdreven variatie introduceerden.

Betekenis en Toekomstperspectief

Gen-Fab markeert een belangrijke stap in de ontwikkeling van robuste fotonische ontwerpen en digitale tweelingen.

• Design for Manufacturability (DFM): Ontwerpers kunnen nu meerdere mogelijke fabricage-uitkomsten simuleren om kritieke afmetingen te analyseren en de opbrengst (yield) te voorspellen. Dit ondersteunt strategieën voor robuust ontwerp die rekening houden met variatie in plaats van alleen ideale omstandigheden.
• Efficiëntie: Het vermijden van herhaaldelijke fysieke fabricage-runs voor variatie-analyse bespaart tijd en middelen.
• Toekomst: De auteurs plannen om Gen-Fab te integreren in inverse ontwerppijplijnen en CAD-tools. Hierdoor kan het model feedback geven tijdens het genereren van layouts, zodat alleen ontwerpen worden geproduceerd die zowel optimaal presteren als bestand zijn tegen procesvariaties. Verder onderzoek richt zich op het gebruik van geavanceerdere generatieve frameworks zoals diffusiemodellen en het mogelijk maken van gecontroleerde variatie (bijv. specifiek het modelleren van hoekronding).

Kortom, Gen-Fab biedt een krachtige, data-gedreven oplossing om de onzekerheid in de nanofotonische fabricage te kwantificeren en te voorspellen, wat essentieel is voor de schaalbaarheid en betrouwbaarheid van toekomstige fotonische circuits.