光刻涉及操纵光以将特征精确蚀刻到表面上，通常用于制造计算机芯片和光学设备。但是，制造过程中的微小偏差往往会导致这些设备达不到设计者的意图。
为了帮助缩小这种从设计到制造的差距，麻省理工学院和香港中文大学的研究人员使用机器学习构建了一个模拟特定光刻制造过程的数字模拟器。他们的技术利用从光刻系统收集的真实数据，因此可以更准确地模拟系统如何制造设计。
研究人员将该模拟器与另一个数字模拟器集成到设计框架中，该模拟器在下游任务中模拟制造设备的性能，例如使用计算相机生成图像。这些连接的模拟器使用户能够生产出与其设计更匹配并达到最佳任务性能的光学设备。
这项技术可以帮助科学家和工程师为移动相机、增强现实、医学成像、娱乐和电信等应用创造更准确、更高效的光学设备。由于数字模拟器的学习管道利用了真实世界的数据，因此它可以应用于各种光刻系统。
“这个想法听起来很简单，但人们以前没有尝试过的原因是，真实数据可能很昂贵，而且没有先例可以有效地协调软件和硬件来构建高保真数据集，”机械工程研究生Cheng Zheng说，他是一篇描述这项工作的开放获取论文的共同主要作者.“我们承担了风险并进行了广泛的探索，例如，开发和尝试表征工具和数据探索策略，以确定工作方案。结果出乎意料地好，表明真实数据比由解析方程组成的模拟器生成的数据更有效、更精确。尽管它可能很昂贵，而且一开始可能会让人感到无知，但这是值得的。
郑与共同主要作者、香港中文大学研究生赵光元共同撰写了这篇论文;和她的顾问彼得·所以，麻省理工学院的机械工程和生物工程教授。该研究将在SIGGRAPH亚洲会议上发表。
用光打印
光刻涉及将光图案投射到表面上，这会引起化学反应，将特征蚀刻到基材上。然而，由于光衍射的微小偏差和化学反应的微小变化，制造的器件最终会得到略有不同的图案。
由于光刻技术复杂且难以建模，因此许多现有的设计方法都依赖于从物理学中得出的方程。这些一般方程提供了制造过程的一些意义，但无法捕获光刻系统特有的所有偏差。这可能会导致设备在现实世界中表现不佳。
对于他们称之为神经光刻的技术，麻省理工学院的研究人员使用基于物理的方程作为基础构建他们的光刻模拟器，然后结合一个神经网络，该神经网络是根据来自用户光刻系统的真实实验数据训练的。这种神经网络是一种松散地基于人脑的机器学习模型，它学会了补偿系统的许多特定偏差。
研究人员通过生成许多设计来收集数据，这些设计涵盖了广泛的特征尺寸和形状，他们使用光刻系统制造了这些设计。他们测量最终结构并将其与设计规范进行比较，将这些数据配对并用于训练数字模拟器的神经网络。
“学习模拟器的性能取决于输入的数据，而从方程式中人工生成的数据无法涵盖现实世界的偏差，这就是为什么拥有真实世界的数据很重要的原因，”郑说。
双模拟器
数字光刻模拟器由两个独立的组件组成：一个光学模型，用于捕获光如何投射到设备表面，另一个光刻胶模型显示光化学反应如何发生以在表面上产生特征。
在下游任务中，他们将这个学习到的光刻模拟器连接到一个基于物理的模拟器，该模拟器可以预测制造的设备将如何执行这项任务，例如衍射透镜将如何衍射照射到它的光。
用户指定他们希望设备实现的结果。然后，这两个模拟器在一个更大的框架中协同工作，向用户展示如何进行能够实现这些性能目标的设计。
“通过我们的模拟器，制造的物体可以在下游任务中获得最佳性能，例如计算相机，这是一项很有前途的技术，可以使未来的相机小型化和更强大。我们证明，即使你使用后校准来尝试获得更好的结果，它仍然不如我们的光刻模型在循环中，“赵补充道。
他们通过制造一种全息元件来测试这种技术，当光线照射到蝴蝶图像上时，该元件会产生蝴蝶图像。与使用其他技术设计的设备相比，它们的全息元素产生了近乎完美的蝴蝶，与设计更接近。他们还生产了一种多级衍射透镜，其图像质量优于其他设备。
未来，研究人员希望增强他们的算法，以对更复杂的设备进行建模，并使用消费类相机测试系统。此外，他们希望扩展他们的方法，以便它可以与不同类型的光刻系统一起使用，例如使用深紫外光或极紫外光的系统。
这项研究得到了美国国立卫生研究院、藤仓有限公司和香港创新及科技基金的部分支持。
这项工作部分是使用 MIT.nano 的设施进行的。
