🔬 physics

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

Este artigo apresenta uma estrutura de esparometria de resolução angular assistida por DeepONet que integra aprendizado de operador para correção espectral, otimização por enxame de partículas para inversão de RCWA e validação por SEM aprimorada por SAM para alcançar precisão subnanométrica na metrologia in situ da geometria de nanofios de GaN dopados com Si.

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

Publicado 2026-10-04

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da eletrônica moderna, os chips mais avançados dependem de estruturas minúsculas chamadas nanofios. Estes não são os fios grossos encontrados em uma lâmpada doméstica, mas colunas esbeltas de material semicondutor tão finas que centenas delas caberiam na largura de um fio de cabelo humano. Para fazer esses fios funcionarem, cientistas os cultivam dentro de uma câmara de vácuo usando uma técnica chamada epitaxia de feixe molecular. Esse processo é como um forno de alta precisão onde átomos de gálio, nitrogênio e silício são disparados contra uma superfície quente, colando-se para construir os fios camada por camada. O desafio é que esses fios são incrivelmente sensíveis. Uma pequena mudança na temperatura ou uma leve alterção na quantidade de silício adicionada pode alterar sua forma, tamanho e como conduzem eletricidade. Se os fios não tiverem o tamanho correto, os dispositivos construídos a partir deles falharão. Por décadas, cientistas lutaram para medir esses fios enquanto eles ainda estão crescendo. Os métodos tradicionais exigem retirar a amostra da câmara para observá-la sob um poderoso microscópio eletrônico, mas, a essa altura, o processo de crescimento já terminou, e quaisquer erros não podem ser corrigidos.

Uma equipe de pesquisadores desenvolveu uma nova maneira de medir essas matrizes de nanofios com extrema precisão enquanto eles ainda estão dentro da câmara de crescimento, sem nunca tocá-los. Eles criaram um sistema que usa luz para "ver" a forma dos fios em tempo real. Em vez de tirar uma fotografia, o sistema projeta um feixe de luz sobre os fios em crescimento e captura o padrão de luz que reflete de volta. Como os fios são muito pequenos, eles espalham a luz de uma forma específica que depende inteiramente de seu diâmetro e altura. Os pesquisadores chamam isso de esparramamento por ângulo resolvido (angle-resolved scatterometry). O problema é que os padrões de luz brutos capturados pela câmera não correspondem aos modelos matemáticos perfeitos que os cientistas usam para prever como a luz deve se comportar. O mundo real é desordenado, com imperfeições nas lentes e nos materiais, causando uma lacuna entre o que é medido e o que os modelos de computador esperam. Esse descompasso geralmente torna impossível calcular as dimensões dos fios com precisão.

Para preencher essa lacuna, os pesquisadores introduziram uma ferramenta de software inteligente baseada em um tipo de inteligência artificial chamado DeepONet. Pense nesta ferramenta como um tradutor que aprende a converter os padrões de luz desordenados do mundo real em um formato limpo e idealizado que os modelos de computador possam entender. O sistema primeiro captura a luz espalhada pelos nanofios e a transforma em um espectro, que é essencialmente um gráfico mostrando quanta luz é refletida em diferentes ângulos. O software DeepONet então pega esse gráfico e o corrige, suavizando os erros experimentais e alinhando-o com as previsões teóricas. Uma vez que o padrão de luz é corrigido, o sistema usa um algoritmo de busca para encontrar o diâmetro e a altura exatos que produziriam esse padrão específico. Ele testa milhões de combinações possíveis de tamanho e altura até encontrar aquela que coincide perfeitamente com os dados de luz corrigidos.

Para provar que este método realmente funciona, a equipe precisava de uma maneira de verificar seus resultados contra a verdade. Eles construíram um sistema separado e automatizado para analisar imagens tiradas por um microscópio eletrônico após o término do crescimento. Este sistema utilizou um poderoso modelo de reconhecimento de imagem para identificar milhares de nanofios individuais nas fotos e medir seus tamanhos automaticamente. Ao comparar as medições feitas pelo sistema baseado em luz durante o crescimento com as medições feitas pelo microscópio eletrônico após o crescimento, eles puderam ver o quão precisa era sua nova abordagem. Os resultados foram notavelmente precisos. Para o diâmetro dos fios, seu sistema teve um erro médio de apenas 0,22 nanômetros. Para a altura, o erro foi ainda menor, de apenas 0,12 nanômetros. Para colocar em perspectiva, um único nanômetro é um bilionésimo de metro; o erro em sua medição é menor que a largura de um único átomo.

Os pesquisadores testaram esta estrutura em um conjunto de amostras de nanofios que o computador nunca tinha visto durante seu treinamento. Mesmo com essas amostras completamente novas, o sistema manteve seu alto nível de precisão. Isso sugere que o método não está apenas memorizando padrões específicos, mas aprendeu uma regra geral para traduzir luz em forma. O estudo demonstra que é possível monitorar o crescimento dessas estruturas delicadas com precisão sub-nanométrica em tempo real. Essa capacidade poderia permitir que engenheiros ajustassem as condições de crescimento instantaneamente se um fio começar a se formar incorretamente, garantindo que cada chip produzido seja perfeito. Ao combinar óptica avançada, inteligência artificial e validação rigorosa, a equipe transformou um difícil enigma óptico em uma ferramenta confiável para o futuro da fabricação de semicondutores.

Resumo Técnico: Metrologia In Situ de Geometria de Nanofios via Espatrometria com Resolução Angular Assistida por DeepONet

Definição do Problema
A metrologia precisa in situ de arranjos de nanofios cultivados por Epitaxia de Feixe Molecular (MBE) é crítica para o controle da fabricação de nanoestruturas semicondutoras. No entanto, as técnicas de monitoramento existentes enfrentam limitações significativas. Métodos ex situ (por exemplo, SEM) carecem de feedback em tempo real, enquanto técnicas in situ, como a Difração de Elétrons de Alta Energia de Reflexão (RHEED), são sensíveis à reconstrução de superfície, mas têm dificuldade na extração quantitativa de parâmetros geométricos de nanofios. A espatrometria óptica oferece uma alternativa sem contato e de alta velocidade; contudo, sob condições de alta Abertura Numérica (NA), a inversão direta por meio de Análise de Onda Acoplada Rigorosa (RCWA) sofre com não-unicidade, instabilidade e discrepâncias sistemáticas entre os espectros experimentais e as simulações ideais. Esses desajustes degradam a robustez da inversão geométrica, impedindo a precisão subnanométrica.

Metodologia
Os autores propõem um framework integrado combinando quatro componentes sinérgicos para reconstruir a morfologia de arranjos de nanofios de GaN dopados com Si:

Medição com Reforço de ARS: Um sistema de espatrometria com resolução angular (ARS) integrado à câmara de MBE captura distribuições de espalhamento de campo distante de grande ângulo. Estas são mapeadas no plano focal traseiro (BFP) e convertidas em espectros de refletância com resolução angular normalizados e sensíveis à morfologia, $R(\theta)$ .
Seleção de Comprimento de Onda: Um classificador 1D-CNN supervisionado foi empregado para avaliar a discriminabilidade de $R(\theta)$ através de diferentes comprimentos de onda e temperaturas de dopagem. $\lambda = 574$ nm foi selecionado como o comprimento de onda operacional ideal devido à sua superior separabilidade de características e convergência estável.
Pré-correção Espectral Baseada em DeepONet: Para abordar o desajuste sistemático entre os espectros medidos ( $R_{exp}$ ) e as simulações ideais de RCWA ( $R_{sim}$ ), um Deep Operator Network (DeepONet) foi treinado. Este módulo aprende um mapeamento função-para-função do domínio espectral experimental para o domínio compatível com RCWA, produzindo um espectro corrigido ( $R_{corr}$ ). Crucialmente, o DeepONet não prevê parâmetros geométricos diretamente, mas corrige a representação espectral para alinhá-la às simulações físicas.
Inversão RCWA Impulsionada por PSO: A Otimização por Enxame de Partículas (PSO) é utilizada para recuperar o diâmetro ( $D$ ) e a altura ( $H$ ) do nanofio, minimizando o Erro Quadrático Médio (RMSE) entre o espectro simulado por RCWA $R_{sim}(\theta; D, H)$ e o alvo corrigido pelo DeepONet $R_{corr}(\theta)$ .
Validação SEM Assistida por SAM: Para validação independente, um fluxo de trabalho automatizado utilizando o Segment Anything Model (SAM) foi desenvolvido. Este fluxo processa imagens de SEM de visão superior e de seção transversal para extrair parâmetros geométricos de média de conjunto (diâmetro equivalente e altura) de milhares de instâncias de nanofios, fornecendo uma referência estatisticamente robusta sem delineação manual.

Resultados Principais
O framework foi validado utilizando um conjunto de dados retido (T1080) composto por amostras cultivadas sob condições completamente excluídas de todo o treinamento de modelos e ajuste de hiperparâmetros.

Correção Espectral: O módulo DeepONet corrigiu com sucesso o deslocamento de domínio sistemático entre os espectros experimentais e simulados. Estudos de ablação mostraram que o uso de espectros medidos brutos resultou em grandes erros de reconstrução (RMSE de 4,098 nm para o diâmetro e 26,530 nm para a altura). Em contraste, o uso dos espectros corrigidos pelo DeepONet reduziu o RMSE para 0,219 nm para o diâmetro e 0,118 nm para a altura.
Precisão de Inversão: No conjunto de teste T1080, o framework proposto alcançou RMSEs médios ao nível de amostra de 0,22 nm para o diâmetro e 0,12 nm para a altura quando comparados com as referências de SEM derivadas por SAM.
Convergência: A pré-correção espectral melhorou significativamente a estabilidade da inversão por PSO, reduzindo o número médio de iterações necessárias para a convergência de 213 (dados brutos) para 156 (dados corrigidos).
Generalização: A reconstrução precisa da condição não vista T1080 demonstra que o framework aprende um operador de alinhamento espectral generalizável, em vez de memorizar espectros de treinamento específicos.

Significância e Alegações
O artigo afirma que este trabalho demonstra a viabilidade de alcançar a reconstrução óptica de precisão subnanométrica da geometria de arranjos de nanofios através da integração sinérgica de:

Medição óptica com resolução angular.
Correção espectral baseada em aprendizado de operador (DeepONet).
Inversão RCWA impulsionada por física (PSO).
Validação de SEM automatizada e estatisticamente rigorosa (SAM).

Os autores enfatizam que, ao definir as quantidades reconstruídas como "diâmetro equivalente e altura ao nível da amostra", o método se alinha às suposições de célula unitária periódica do RCWA e à natureza de média de conjunto da referência SEM. Esta abordagem aborda o desafio de longa data das discrepâncias sistemáticas na espatrometria óptica, ofereando uma rota prática e sem contato para o monitoramento em tempo real do cultivo de nanofios em ambientes MBE. O trabalho estabelece um princípio de design de que os comprimentos de onda operacionais devem ser rigorosamente combinados com respostas espectrais sensíveis à morfologia e que separar a correção espectral da inversão geométrica é essencial para uma metrologia de alta precisão e estável.

Mais como este