التعرف على ميزات صور SEM في التنحيف الأيوني التفاعلي العميق باستخدام مشفر متغير مقيد بالفيزياء

شرائح أنقى عبر تصوير أذكى

كل هاتف ذكي ومستشعر وسادة هوائية للسيارات وإبرة طبية ميكرونية تعتمد على هياكل ثلاثية الأبعاد صغيرة محفورة بعمق في السيليكون. صنع هذه الميزات نظيفة وملساء وقابلة للتكرار أمر صعب — وفحص جودتها تحت مجهر إلكتروني أصعب بكثير. يقدم هذا البحث أداة ذكاء اصطناعي جديدة تستطيع قراءة هذه الصور المجهرية تلقائياً وبدقة تفوق البشر بكثير، مما يبشر بإنتاج أسرع وأرخص وأكثر موثوقية للأجهزة الدقيقة المتقدمة.

لماذا حفر أخاديد ضيقة وعميقة صعب للغاية

تعتمد أنظمة الميكرو-إلكترو-ميكانيك الحديثة (MEMS) على أخاديد عميقة وضيقة محفورة في السيليكون باستخدام عملية تسمى التنحيف الأيوني التفاعلي العميق. يرغب المهندسون في جدران شبه عمودية وملساء، لكن في الواقع تتطور الجدران الجانبية لتظهر تموجات وانتفاخات وتشوهات أخرى بينما يتناوب البلازما بين دورات النحت والتغطية. تغييرات طفيفة في التوقيت أو تدفق الغاز أو درجة الحرارة أو تآكل الأدوات يمكن أن تحوّل وصفة جيدة إلى سيئة، وتظهر هذه التغييرات كاختلافات دقيقة في ملف الأخدود التي لا تُرى إلا في مقاطع المجهر الإلكتروني الماسح (SEM).

عنق الزجاجة في قراءة الصور البشرية

اليوم، يعتمد تقييم هذه الهياكل المحفورة إلى حد كبير على الصنعة اليدوية. يقوم المهندسون بتقطيع الرقائق، والتقاط مئات صور SEM، ثم تتبع الحواف وقياس الأعماق والعرض بدقة على الحاسوب. قد يستغرق تحليل كل صورة ساعة أو أكثر، وغالباً ما يختلف الأشخاص فيما بينهم بنسبة 15–20 في المئة على نفس الميزة. الطرق الآلية البسيطة والأدوات المبكرة للتعلم الآلي كالشبكات العصبية التقليدية يمكن أن تسرّع العمل، لكنها تكافح مع الصور الضوضائية منخفضة التباين النموذجية للأخاديد العميقة وغالباً ما تغفل تغيّر البنية مع العمق. ونتيجة لذلك، أصبح تحليل الصور عنق زجاجة جاداً للإنتاج عالي المردود وللاستخدام الفعّال للذكاء الاصطناعي في تحسين عملية التنحيف نفسها.

ذكاء اصطناعي يحترم الفيزياء

يقترح المؤلفون نهجاً جديداً يسمونه مشفراً متغيراً بمستوى مجموعة مقيد بالفيزياء، أو VLSet‑AE. في جوهره، يقوم هذا النظام الضمني ب"ضغط" صورة SEM إلى شفرة داخلية مدمجة ثم "يعيد بناء" شكل الأخدود من تلك الشفرة. بدلاً من اعتبار حافة الأخدود مجرد مجموعة من البكسلات الساطعة، يقوم النموذج بتمثيل الحد كواجهة متحركة تنمو إلى الخارج حتى تلتقي بالمادة الحقيقية، مثل فقاعة متوسعة تتوقف عند الجدران. تُوجَّه حركة هذه الواجهة بمعادلات تصف كيف يجب أن تتطوّر السطح المحفور فعلياً مع الزمن، بحيث لا يسترشد الذكاء الاصطناعي بالبيانات فحسب بل أيضاً بالفيزياء المعروفة لعملية التنحيف.

رؤية الأخدود كاملاً عبر المكان والزمن

لتدريب واختبار هذا النظام، صمّم الفريق مجموعة دقيقة من 16 وصفة تنحيف، وعدّل أزمنة الدورة الرئيسية التي تتحكم في مدة نحت البلازما ومدة الحماية، وجمع 1000 صورة مقطع SEM. قُسّم كل صورة أخدود إلى العديد من الطبقات الرقيقة على طول العمق، تمثل كل منها دورة نحت-وتغطية واحدة. يتتبع VLSet‑AE تطور المقطع طبقة تلو الأخرى ثم يركب هذه الشرائح مرة أخرى إلى منظر ثلاثي الأبعاد كامل. ومن هذا المنظور، يحسب تلقائياً تسعة قياسات حاسمة: عمق وعرض تموجات الجدار، ونصف قطر التقوس المحلي، ومدى عمودية الشكل، وعرض الأخدود عند الأعلى والوسط والأسفل، إلى جانب العمق الكلي وانحناء الجدران.

أسرع وأكثر دقة وجاهز للمصنع

عند مقارنته بالقياسات البشرية وسبعة نماذج ذكاء اصطناعي شائعة أخرى، يتصدر VLSet‑AE النتائج. في المتوسط يختلف عن القياسات اليدوية بنحو 3.7 في المئة فقط — أفضل من التباين البشري بين الأفراد — ويصل إلى دقة تعرف إجمالية تقارب 94–96 في المئة. كما أنه فعال: يستغرق التدريب على مجموعة البيانات الكاملة على مدى عشرات الثواني تقريباً، وتحليل صورة جديدة يستغرق نحو ثانية واحدة. وحتى عند اختباره بعدد أقل من صور التدريب، يتدهور دقته قليلاً فقط، مما يوضح قدرته على التعامل مع بيانات محدودة — وهو وضع شائع في التصنيع الرفيع.

ماذا يعني هذا للتكنولوجيا اليومية

بعبارة بسيطة، يحول هذا العمل فحص SEM من مهمة حرفية إلى عملية صناعية. من خلال قراءة التفاصيل الهيكلية الدقيقة من صور مجهرية ضوضائية تلقائياً وبموثوقية، يجعل VLSet‑AE من العملي جمع أحجام كبيرة من البيانات اللازمة لتمكين الذكاء الاصطناعي من ضبط ومراقبة وصفات التنحيف في الوقت الحقيقي. وهذا بدوره يمكن أن يؤدي إلى أخاديد أنعم، وأجهزة استشعار أكثر دقة، وشرائح أكثر اتساقاً، كلها تُنتَج بأقل قدر من المحاولات والخطأ وتكلفة أقل. كما تقدّم الطريقة مخططاً عاماً للجمع بين الفيزياء والتعلم الآلي لفهم خطوات تصنيع معقدة أخرى، مشيرة إلى مستقبل تُصمم فيه الأجهزة الدقيقة والنانوية وتُصقل بواسطة مصانِع مدفوعة بالذكاء الاصطناعي ومتكاملة بشكل وثيق.

الاستشهاد: Wang, F., Yu, H., Miao, Y. et al. AI-driven feature recognition of SEM profiles in deep reactive ion etching based on physics-constrained variational autoencoder. Microsyst Nanoeng 12, 82 (2026). https://doi.org/10.1038/s41378-025-01105-z

الكلمات المفتاحية: التنحيف الأيوني التفاعلي العميق, المجهر الإلكتروني الماسح, الذكاء الاصطناعي المستند إلى الفيزياء, المشفر التبايني, التصنيع الدقيق