זיהוי תכונות מונחה בינה מלאכותית של פרופילים ב‑SEM בעיבוד חיתוך יון תגובתי עמוק על בסיס אוטו‑אינקודר ואריאציונלי המוגבל על ידי פיזיקה

שבבים חדות יותר באמצעות הדמיה חכמה יותר

כל סמארטפון, חיישן כרית אוויר ברכב ומיקרו‑מחט רפואית תלויים במבנים תלת‑ממדיים זעירים החקוקים עמוק בסיליקון. יצירת התכונות הללו חלקה, מלוטשת וחזרתית היא משימה קשה — ובדיקה שלהם במיקרוסקופ אלקטרונים קשה עוד יותר. מאמר זה מציג כלי בינה מלאכותית חדש שיכול לקרוא תמונות מיקרוסקופיות אלה באופן אוטומטי ובדיוק רב יותר מאדם, ומבטיח ייצור מהיר, זול ואמין יותר של מכשירים מיקרו‑מתקדמים.

למה חציבה של חריצים עמוקים וקטנים כל כך מסובכת

מערכות מיקרו‑מכאניות מודרניות (MEMS) תלויות בתעלות צרות ועמוקות החקוקות בסיליקון בתהליך שנקרא חיתוך יון תגובתי עמוק. מהנדסים רוצים דפנות כמעט אנכיות וחלקות, אך בפועל הצדדים מפתחים גלים, נפיחויות ועיוותים אחרים כאשר הפלזמה מחליפה בין מחזורי חיתוך וציפוי. שינויים קטנים בתזמון, בזרימת גז, בטמפרטורה או בבלאי הכלי יכולים להפוך מתכון טוב לגרוע, ושינויים אלה נראים כהבדלים עדינים בפרופיל החריץ שנראות רק בחתכים תחת מיקרוסקופ אלקטרונים סורק (SEM).

צוואר הבקבוק של קריאת תמונות ידי אדם

כיום, הערכת המבנים המוחלחצים היא בעיקר מלאכה ידנית. מהנדסים חותכים וופרים, מצלמים מאות תמונות SEM, ואז עוקבים בקפדנות אחרי קווים ומודדים עומקים ורוחבים במחשב. כל תמונה יכולה לקחת שעה או יותר לניתוח, ואנשים שונים לעתים קרובות אינם מסכימים זה עם זה בהפרש של 15–20 אחוז על אותה תכונה. שיטות אוטומטיות פשוטות וכלים מוקדמים של למידת מכונה כמו רשתות עצביות קונבנציונליות יכולים להאיץ את התהליך, אך הם נאבקים עם תמונות רועשות ודלות ניגודיות האופייניות לחריצים עמוקים ולרוב מפספסים כיצד המבנה משתנה בעומק. כתוצאה מכך, ניתוח תמונה הפך לצוואר בקבוק משמעותי בייצור בקצב גבוה ובשימוש בבינה מלאכותית לאופטימיזציה של תהליך החיתוך עצמו.

בינה מלאכותית שמכבדת את הפיזיקה

המחברים מציעים גישה חדשה שנקראת אוטו‑אנקודר וריאציונלי של סט רמות מוגבל על ידי פיזיקה, או VLSet‑AE. בליבה, המערכת הזו "מדחיסה" תמונת SEM לקוד פנימי קומפקטי ואז "בונה מחדש" את צורת החריץ מתוך הקוד הזה. במקום להתייחס לקו־החריץ רק כאל קבוצת פיקסלים בהירים, היא ממנפת את הגבול כממשק נודד שגדל החוצה עד שהוא פוגש את החומר האמיתי, בדומה לבועה מתרחבת שעוצרת על הדפנות. תנועת הממשק הזאת מונחית על‑ידי משוואות שמתארות כיצד פני שטח מוחלחצים אמורים להתפתח בזמן, כך שהבינה המלאכותית מונחית לא רק על‑ידי נתונים אלא גם על‑ידי הפיזיקה הידועה של תהליך החיתוך.

לראות את כל החריץ במרחב ובזמן

כדי לאמן ולבדוק את המערכת, הצוות תכנן סט זהיר של 16 מתכוני חיתוך, שינה את זמני המחזור המרכזיים שמווסתים כמה זמן הפלזמה חותכת וכמה זמן היא מגנה, ואסף 1,000 תמונות חתך SEM. כל תמונת חריץ חולקה לשכבות דקות לאורך העומק, שכל אחת מהן מייצגת מחזור חיתוך‑וציפוי אחד. VLSet‑AE עוקב אחר התפתחות הקונטור שכבה אחר שכבה ואז תופר את הפרוסות חזרה לתצוגה תלת‑ממדית מלאה. מתוך זה הוא מחשב אוטומטית תשעה מדדים קריטיים: העומק והרוחב של הגלים על הקיר, הרדיוס המקומי של העקמומיות, עד כמה הפרופיל אנכי, ורוחב החריץ בחלקו העליון, האמצעי והתחתון, יחד עם העומק הכולל וחריגות הקימור של הדפנות.

מהיר, מדויק יותר, ומוכן למפעל

בהשוואה למדידות ידניות ושבעה דגמי בינה מלאכותית פופולריים אחרים, VLSet‑AE עולה על כולם. בממוצע הוא סוטה מהמדידות הידניות רק בכ־3.7 אחוז — טוב יותר מהשונות בין אנשים — ומשיג דיוק זיהוי כולל בערך 94–96 אחוז. הוא גם יעיל: האימון על מערך הנתונים המלא נמשך בסדר גודל של עשרות שניות, וניתוח תמונה חדשה לוקח בערך שנייה. גם כאשר נבדק עם פחות תמונות אימון, דיוקו יורד רק במעט, מה שמראה שהוא יכול להתמודד עם נתונים מוגבלים — מצב נפוץ בייצור ברמת גבוהה.

מה זה אומר לטכנולוגיה היומיומית

במילים פשוטות, עבודה זו הופכת את בדיקת ה‑SEM מפעולה ארטיזנית לתהליך תעשייתי. על‑ידי קריאה אוטומטית ואמינה של פרטים מבניים עדינים מתוך תמונות מיקרוסקופ רועשות, VLSet‑AE מאפשר לאסוף כמויות עצומות של נתונים הדרושים כדי לאפשר לבינה מלאכותית לכוונן ולעקוב אחר מתכוני החיתוך בזמן אמת. זה, בתורו, יכול להוביל לחריצים חלקים יותר, חיישנים מדויקים יותר ושבבים אחידים יותר, כולם מיוצרים בפחות ניסוי‑ושג ובעלות נמוכה יותר. השיטה גם מציעה תבנית כללית לשילוב פיזיקה ולמידת מכונה להבנת שלבי ייצור מורכבים אחרים, ומצביעה לעבר עתיד שבו מכשירים מיקרו‑וננו מתוכננים ומושלמים במפעלים משולבים היטב המונעים על ידי בינה מלאכותית.

ציטוט: 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

מילות מפתח: חיתוך יון תגובתי עמוק, מיקרוסקופ אלקטרונים סורק, בינה מלאכותית מונחית פיזיקה, אוטו‑אינקודר ואריאציונלי, מיקרו‑ייצור