ディープ・ラーニングによるレーザー・ダイレクト・ライティング・オーバーレイ精度向上

科学分野:

• 光学とフォトニクス
• 機械学習
• ナノテクノロジー

背景:

• オーバーレイの整合精度は,マイクロナノ製造のためのレーザー直接書き込みシステムにおいて極めて重要です.
• 配列の誤差は,光学的な逸脱,機械的な漂移,および信託マークの不完全性から発生します.
• 視力システムのフィデュシャルマーク座標の解釈は,残留アライナメントエラーに大きく貢献します.

研究 の 目的:

• オーバーレイの調整精度を向上させるためのディープラーニングベースの方法を開発する.
• 座標計算誤差を予測するためのコンボリューションニューラルネットワーク (CNN) モデルを作成する.
• このタスクでは,CNNと従来のフィードフォワードニューラルネットワーク (FNN) のパフォーマンスを比較します.

主な方法:

• 6万6千の コンピュータ・シミュレートされた 欠陥のあるクロスヘアマークを 生み出しました 現実世界の 信頼性の欠陥を模倣するためです
• 8つのCNN変種と6つのFNN構成を含む14のニューラルネットワークアーキテクチャを開発し,比較しました.
• 予測の精度を評価するために生成されたデータセットを使用してモデルを訓練し,検証しました.

主要な成果:

• 単純なCNNアーキテクチャでは,平均二乗誤差 (MSE) が0.0011 (トレーニング) と0.0016 (検証) であった.
• CNNはFNNの構造と比較して 90%の誤差の減少を示した.
• 実験結果は,FNNを上回るX/Y座標で100nm未満のCNN予測エラーを示した.

結論:

• ディープラーニング,特にCNNは オーバーレイの並べ替えの精度を レーザーによる直接書き込みで向上させる強力な手法です
• 局所的な特徴の抽出と翻訳の不変性におけるCNNの能力は,その優れたパフォーマンスの鍵です.
• この方法は,マイクロナノ光学デバイスの製造における精度向上のための新しいパラダイムを確立します.