Mejorar la precisión de la superposición de escritura directa con láser basado en un método de aprendizaje profundo

Área de la Ciencia:

• Óptica y fotónica
• Aprendizaje automático
• Nanotecnología

Sus antecedentes:

• La precisión de alineación de superposición es crítica en los sistemas de escritura directa por láser para la fabricación de micro-nano.
• Los errores de alineación se originan por aberraciones ópticas, deriva mecánica y imperfecciones de marca fiduciaria.
• La interpretación de las coordenadas de la marca fiduciaria por parte de los sistemas de visión contribuye significativamente al error de alineación residual.

Objetivo del estudio:

• Desarrollar un método basado en el aprendizaje profundo para mejorar la precisión de la alineación de superposiciones.
• Crear un modelo de red neuronal convolucional (CNN) para predecir errores de cálculo de coordenadas en marcas fiduciarias.
• Comparar el rendimiento de las CNN con las redes neuronales de transmisión tradicionales (FNNs) para esta tarea.

Principales métodos:

• Generó 66.000 marcas de puntería defectuosas simuladas por computadora para imitar las imperfecciones de las marcas fiduciarias del mundo real.
• Desarrolló y comparó 14 arquitecturas de redes neuronales, incluidas 8 variantes de CNN y 6 configuraciones de FNN.
• Entrenado y validado los modelos utilizando los conjuntos de datos generados para evaluar la precisión de la predicción.

Principales resultados:

• Una arquitectura CNN simple logró un error cuadrado medio (MSE) de 0,0011 (entrenamiento) y 0,0016 (validación).
• La CNN demostró una reducción del 90% de los errores en comparación con las estructuras FNN.
• Los resultados experimentales mostraron errores de predicción de CNN por debajo de 100 nm en coordenadas X/Y, superando a las FNN.

Conclusiones:

• El aprendizaje profundo, específicamente las CNN, ofrece un enfoque poderoso para mejorar la precisión de alineación de superposición en la escritura directa por láser.
• La capacidad de la CNN en la extracción de características locales y la invarianza de la traducción es clave para su rendimiento superior.
• Este método establece un nuevo paradigma para la mejora de la precisión en la fabricación de dispositivos ópticos micro-nano.