AI-gestuurde herkenning van kenmerken in SEM-profielen bij deep reactive ion etching op basis van een fysica-beperkte variational autoencoder

Scherpere chips door slimmer beeldonderzoek

Elke smartphone, gordijnairbag‑sensor en medische micronaald hangt af van kleine driedimensionale structuren die diep in silicium zijn uitgehouwen. Deze features schoon, glad en reproduceerbaar maken is moeilijk — en hun kwaliteit controleren onder een elektronenmicroscoop is nog lastiger. Dit artikel introduceert een nieuw kunstmatig‑intelligentie‑instrument dat deze microscopische beelden automatisch en veel nauwkeuriger kan uitlezen dan mensen, wat snellere, goedkopere en betrouwbaardere productie van geavanceerde microapparaten belooft.

Waarom diep etsen van kleine groeven zo lastig is

Moderne micro-elektromechanische systemen (MEMS) vertrouwen op diepe, smalle sleuven die in silicium worden geëtst met een proces dat deep reactive ion etching heet. Ingenieurs streven naar bijna perfect verticale en gladde wanden, maar in de praktijk ontstaan aan de zijkanten rimpels, verdikkingen en andere vervormingen doordat het plasma afwisselend snijdt en beschermt. Kleine veranderingen in timing, gasstromen, temperatuur of veroudering van het gereedschap kunnen een goed recept in een slecht resultaat veranderen, en die veranderingen manifesteren zich als subtiele verschillen in het profiel van de sleuf die alleen zichtbaar zijn in dwarsdoorsneden met een scanning elektronenmicroscoop (SEM).

De bottleneck van handmatige beeldanalyse

Vandaag de dag is het beoordelen van deze geëtste structuren grotendeels handwerk. Ingenieurs snijden wafers, nemen honderden SEM-beelden en volgen vervolgens nauwgezet randen en meten dieptes en breedtes op een computer. Het analyseren van één beeld kan een uur of langer duren, en verschillende personen verschillen vaak 15–20 procent in hun metingen van dezelfde feature. Eenvoudige automatische methoden en oudere machine‑learningtools, zoals conventionele neurale netwerken, kunnen het proces versnellen, maar ze hebben moeite met de ruisachtige, laag‑contrastbeelden die typisch zijn voor diepe sleuven en missen vaak hoe de structuur met diepte verandert. Daardoor is beeldanalyse een ernstige bottleneck geworden voor grootschalige productie en voor het gebruik van AI om het etsen zelf te optimaliseren.

Een AI die de fysica respecteert

De auteurs stellen een nieuwe aanpak voor die ze een physics‑constrained variational level set autoencoder noemen, of VLSet‑AE. In wezen "comprimeert" dit AI‑systeem een SEM‑beeld tot een compacte interne code en "reconstrueert" vervolgens de vorm van de sleuf uit die code. In plaats van de rand van de sleuf te behandelen als slechts een verzameling heldere pixels, modelleert het de grens als een bewegend front dat naar buiten groeit totdat het op het echte materiaal stuit, vergelijkbaar met een zich uitbrezende bel die stopt bij de wanden. De beweging van dit front wordt gestuurd door vergelijkingen die beschrijven hoe een geëtst oppervlak zich daadwerkelijk in de tijd zou ontwikkelen, zodat de AI niet alleen door data gestuurd wordt maar ook door de bekende fysica van het etsen.

Het hele profiel zien in ruimte en tijd

Om dit systeem te trainen en te testen ontwierp het team een zorgvuldig samengesteld pakket van 16 etsmethoden, varieerde de belangrijke cyclustijden die bepalen hoe lang het plasma snijdt en hoe lang het beschermt, en verzamelde 1.000 SEM‑dwarsdoorsneden. Elk sleufbeeld werd in vele dunne lagen langs de diepte verdeeld, waarbij elke laag één etsen‑en‑coatingcyclus vertegenwoordigt. VLSet‑AE volgt hoe de contour per laag evolueert en zet deze plakjes vervolgens weer samen tot een volledig driedimensionaal beeld. Daaruit berekent het automatisch negen cruciale metingen: de diepte en breedte van de rimpels op de wand, de lokale kromtestraal, hoe verticaal het profiel is, en de sleufbreedte bovenaan, in het midden en onderaan, samen met de totale diepte en het doorbuigen van de wanden.

Sneller, nauwkeuriger en klaar voor de fabriek

In vergelijking met menselijke metingen en zeven andere populaire AI‑modellen presteert VLSet‑AE het beste. Gemiddeld wijkt het slechts ongeveer 3,7 procent af van handmatige metingen — beter dan de variatie tussen mensen — en bereikt het een algemene herkenningsnauwkeurigheid van ongeveer 94–96 procent. Het is ook efficiënt: trainen op de volledige dataset duurt in de orde van enkele tientallen seconden, en het analyseren van een nieuw beeld neemt ongeveer een seconde in beslag. Zelfs bij testen met minder trainingsbeelden daalt de nauwkeurigheid slechts licht, wat aantoont dat het met beperkte data kan omgaan — een veelvoorkomende situatie in hoogwaardige fabricage.

Wat dit betekent voor alledaagse technologie

Simpel gezegd verandert dit werk SEM‑inspectie van een ambachtelijke taak in een industriële. Door fijne structurele details betrouwbaar en automatisch uit ruisachtige microscoopbeelden te lezen, maakt VLSet‑AE het praktisch om de enorme hoeveelheden data te verzamelen die nodig zijn om AI in staat te stellen etscherecepten real‑time af te stemmen en te monitoren. Dat kan leiden tot gladdere sleuven, preciezere sensoren en consistenter geproduceerde chips — allemaal met minder trial‑and‑error en lagere kosten. De methode biedt ook een algemeen stappenplan om fysica en machine learning te combineren voor het begrijpen van andere complexe fabricagestappen, en wijst op een toekomst waarin micro‑ en nanodevices worden ontworpen en geperfectioneerd door nauw geïntegreerde, AI‑gedreven fabs.

Bronvermelding: 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

Trefwoorden: deep reactive ion etching, scanning electron microscopy, physics-informed AI, variational autoencoder, microfabrication