Riconoscimento delle caratteristiche nei profili SEM guidato da AI nell’incisione ionica reattiva profonda basato su autoencoder variazionale vincolato dalla fisica

Chip più netti grazie a immagini più intelligenti

Ogni smartphone, sensore airbag per automobili e microaghi medicali dipende da piccole strutture tridimensionali scolpite in profondità nel silicio. Realizzare queste caratteristiche pulite, lisce e ripetibili è difficile — e verificarne la qualità con un microscopio elettronico è ancora più complesso. Questo articolo presenta un nuovo strumento di intelligenza artificiale in grado di interpretare automaticamente queste immagini microscopiche con molta più accuratezza rispetto agli esseri umani, promettendo una produzione di dispositivi microavanzati più rapida, economica e affidabile.

Perché incidere groove profondi e sottili è così complesso

I moderni sistemi microelettromeccanici (MEMS) si basano su trincee profonde e strette incise nel silicio mediante un processo chiamato deep reactive ion etching. Gli ingegneri desiderano pareti quasi perfettamente verticali e lisce, ma nella pratica i fianchi sviluppano increspature, rigonfiamenti e altre distorsioni mentre il plasma alterna cicli di asportazione e di deposizione protettiva. Piccole variazioni nei tempi, nel flusso dei gas, nella temperatura o nell’invecchiamento degli strumenti possono trasformare una ricetta buona in una cattiva, e questi cambiamenti si manifestano come differenze sottili nel profilo della trincea visibili solo nelle sezioni trasversali al microscopio elettronico a scansione (SEM).

Il collo di bottiglia della lettura umana delle immagini

Oggi valutare queste strutture incise è per lo più un’attività manuale. Gli ingegneri tagliano wafer, acquisiscono centinaia di immagini SEM e poi tracciano meticolosamente i bordi e misurano profondità e larghezze al computer. Ogni immagine può richiedere un’ora o più per essere analizzata, e persone diverse spesso divergono del 15–20 percento sulla stessa caratteristica. Metodi automatici semplici e strumenti di machine learning precedenti, come le reti neurali convenzionali, possono accelerare il processo, ma fanno fatica con le immagini rumorose e a basso contrasto tipiche delle trincee profonde e spesso non colgono come la struttura cambia con la profondità. Di conseguenza, l’analisi delle immagini è diventata un serio collo di bottiglia per la produzione ad alto rendimento e per l’uso dell’IA nell’ottimizzazione del processo di incisione stesso.

Un’IA che rispetta la fisica

Gli autori propongono un nuovo approccio chiamato autoencoder variazionale a insieme di livelli vincolato dalla fisica, o VLSet‑AE. Al suo cuore, questo sistema di IA “compr ime” un’immagine SEM in un codice interno compatto e poi “ricostruisce” la forma della trincea a partire da quel codice. Invece di trattare il bordo della trincea come un semplice insieme di pixel luminosi, modella la frontiera come un’interfaccia in movimento che si espande fino a incontrare il materiale reale, proprio come una bolla che si espande e si arresta contro le pareti. Il moto di questa interfaccia è guidato da equazioni che descrivono come una superficie incisa dovrebbe evolvere nel tempo, così l’IA è orientata non solo dai dati ma anche dalla fisica nota del processo di incisione.

Vedere l’intera trincea nello spazio e nel tempo

Per addestrare e testare il sistema, il team ha progettato un insieme accurato di 16 ricette di incisione, ha variato i tempi chiave dei cicli che controllano quanto a lungo il plasma incide e quanto a lungo protegge, e ha raccolto 1.000 immagini SEM di sezioni trasversali. Ogni immagine di trincea è stata suddivisa in molti strati sottili lungo la profondità, ciascuno rappresentante un singolo ciclo di incisione e deposizione. VLSet‑AE traccia come il contorno evolve strato dopo strato e poi ricompone queste fette in una vista tridimensionale completa. Da ciò calcola automaticamente nove misure cruciali: la profondità e la larghezza delle increspature sulla parete, il raggio locale di curvatura, quanto è verticale il profilo e la larghezza della trincea in alto, a metà e in basso, insieme alla profondità complessiva e all’arcuatura delle pareti.

Più veloce, più accurato e pronto per la fabbrica

Rispetto alle misure manuali e ad altri sette modelli di IA diffusi, VLSet‑AE risulta il migliore. In media si discosta dalle misurazioni manuali di solo circa il 3,7 percento — meglio della variabilità tra operatori umani — e raggiunge un’accuratezza complessiva di riconoscimento intorno al 94–96 percento. È anche efficiente: l’addestramento sull’intero dataset richiede dell’ordine di decine di secondi, e l’analisi di una nuova immagine impiega circa un secondo. Anche quando testato con meno immagini di addestramento, la sua accuratezza degrada solo leggermente, mostrando che può affrontare dati limitati — una situazione comune nella produzione di fascia alta.

Cosa significa per la tecnologia di tutti i giorni

In termini semplici, questo lavoro trasforma l’ispezione SEM da un’attività artigianale a una industriale. Leggendo automaticamente e in modo affidabile dettagli strutturali fini da immagini microscopiche rumorose, VLSet‑AE rende pratico raccogliere i grandi volumi di dati necessari per permettere all’IA di sintonizzare e monitorare le ricette di incisione in tempo reale. Ciò può portare a trincee più lisce, sensori più precisi e chip più coerenti, tutti prodotti con meno tentativi ed errori e a costi inferiori. Il metodo offre anche un modello generale per combinare fisica e apprendimento automatico per comprendere altri passaggi complessi della produzione, indicando verso un futuro in cui micro e nanodispositivi sono progettati e perfezionati da fabbriche fortemente integrate e guidate dall’IA.

Citazione: 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

Parole chiave: incisione ionica reattiva profonda, microscopia elettronica a scansione, IA informata dalla fisica, autoencoder variazionale, microfabbricazione