Resolving Complex Subwavelength Grating Structures Using Topologically Structured Light

Resumo Técnico: Resolução de Estruturas de Gratings Subcomprimento de Onda Complexas Usando Luz Estruturada Topologicamente

Definição do Problema
Embora a imagem óptica de campo distante tenha avançado além do limite de difração clássico de Abbe (~λ/2) por meio de várias técnicas de processamento de sinal e luz estruturada, desafios significativos permanecem na recuperação de parâmetros dimensionais de objetos arbitrariamente estruturados. Os sucessos anteriores em metrologia óptica foram amplamente limitados a problemas estritamente restritos, como determinar a posição de um único nanofio ou as larguras de uma fenda dupla. Os autores investigam se as vantagens da iluminação estruturada topologicamente — especificamente sua capacidade de aumentar a precisão de medição via singularidades de fase — podem ser estendidas para a tarefa mais complexa de recuperar os perfis dimensionais de gratings binários arbitrários e aleatórios. À medida que a dimensionalidade do espaço de parâmetros aumenta e o tamanho das características diminui abaixo do limite de difração, o problema de espalhamento inverso torna-se significativamente mais difícil.

Metodologia
O estudo emprega uma abordagem computacional combinando iluminação superoscilatória com aprendizado profundo (deep learning) para resolver o problema de espalhamento inverso para gratings binários unidimensionais aleatórios.

• Geração de Objetos: Um conjunto de dados de 4.096 perfis de gratings únicos foi gerado. Cada perfil possui 10 μm de comprimento com pixelização de 10 nm, consistindo em sequências aleatórias de estados transparentes e opacos. Este design garante que os tamanhos das características abranjam uma faixa de aproximadamente λ/2 até λ/50 (onde λ = 488 nm), com transições não correlacionadas para simular complexidade arbitrária.
• Esquemas de Iluminação: Duas condições de iluminação foram comparadas:
  1. Onda Plana: Iluminação uniforme e não estruturada.
  2. Luz Estruturada Topologicamente: Um campo superoscilatório com simetria axial formado pela combinação linear de duas funções de onda prolatas esferoidais limitadas em banda (PSWFs). Este campo apresenta um pico de intensidade central (largura de meio máximo de 0,3λ) flanqueado por singularidades de fase, criando variações locais fortes de intensidade e fase subcomprimento de onda.
• Simulação: Padrões de espalhamento de transmissão foram calculados a uma distância de 2λ da amostra usando o método do espectro angular. O objetivo é recuperar o perfil dimensional da seção central de 1 μm do grating (representada por um vetor 1×100 de 0s e 1s).
• Arquitetura de Rede Neural: Uma rede neural convolucional (CNN) foi treinada para mapear padrões de espalhamento para perfis de grating. A arquitetura incluiu duas camadas convolucionais (kernels de 4×4 e 2×2) seguidas por camadas de pooling (3×3 e 2×2) e duas camadas totalmente conectadas (128 e 100 saídas).
• Treinamento e Teste: O conjunto de dados foi dividido em conjuntos de treinamento/validação (2.048 padrões) e teste (2.048 padrões não vistos). Os resultados foram agregados ao longo de dez ciclos de treinamento independentes.
• Extensão Multi-Shot: Para testar a sensibilidade posicional, uma abordagem "few-shot" foi simulada onde padrões de difração foram registrados para três posições de feixe: centralizado (0,0) e deslocado por ±Δx (~λ/3).

Principais Contribuições e Resultados
O artigo demonstra que a iluminação estruturada topologicamente, quando acoplada ao aprendizado profundo, permite a recuperação de características subdifração em objetos arbitrários com maior precisão do que a iluminação por onda plana.

• Resolução Single-Shot: Sob iluminação superoscilatória, a rede neural recuperou com sucesso tamanhos de característica até ~λ/7 (70 nm) com uma taxa de sucesso >95%. Isso representa uma melhoria de 1,4× sobre a iluminação por onda plana, que resolveu características até ~λ/4,9 (100 nm).
• Resolução Multi-Shot: Ao utilizar três padrões de difração (centralizado e deslocados por ±Δx), a resolução para a iluminação superoscilatória melhorou para ~λ/10,5. Crucialmente, o caso da onda plana não mostrou melhoria com o deslocamento posicional, pois seus padrões de espalhamento são invariantes à translação. Isso resulta em uma vantagem de 2,2× para a abordagem de luz estruturada em imagens de poucos disparos (few-shot).
• Complexidade e Interferência: Contra-intuitivamente, as taxas de sucesso de recuperação foram maiores para objetos mais complexos (aqueles com mais características) em comparação com estruturas simples (1–3 características). Os autores atribuem isso aos efeitos de interferência; conforme o número de características de espalhamento aumenta, o conteúdo de informação total do campo espalhado aumenta, auxiliando o processo de deconvolução da rede neural. Esse efeito é mais pronunciado na iluminação por onda plana, mas persiste no regime de luz estruturada.
• Dinâmica de Aprendizado: A maior complexidade dos padrões de espalhamento sob iluminação superoscilatória exigiu mais épocas de treinamento para a convergência da rede. No entanto, isso resultou em um erro quadrático médio menor e maior sucesso de recuperação para tamanhos de características menores em comparação com o caso de onda plana.

Significância e Alegações
O artigo afirma demonstrar que as vantagens da iluminação estruturada topologicamente, anteriormente estabelecidas para tarefas de metrologia com restrições (ex: rastreamento de nanopartícula única), são mantidas e eficazes quando o espaço de parâmetros se expande para incluir a recuperação de parâmetros dimensionais não especificados de objetos arbitrários complexos.

Os autores afirmam que a interação entre a forte variação de intensidade e fase local do campo superoscilatório e as características nanométricas do objeto gera padrões de espalhamento com conteúdo de informação significativamente maior. Algoritmos de aprendizado profundo podem aproveitar essa informação aprimorada para realizar uma deconvolução que resolve características bem abaixo do limite de difração clássico. O trabalho estabelece um caminho para o uso de luz estruturada topologicamente para metrologia óptica de escala nanométrica cada vez mais complexa e imagem básica de objetos binários, alcançando resolução single-shot de ~λ/7 e resolução multi-shot de ~λ/10,5.