Rozpoznawanie cech profili SEM w głębokim trawieniu reaktywnym przez AI oparte na fizycznie ograniczonym wariacyjnym autoenkoderze

Bardziej precyzyjne układy dzięki sprytniejszemu obrazowaniu

Każdy smartfon, czujnik poduszki powietrznej w samochodzie i medyczna mikronakłuwka zależą od drobnych trójwymiarowych struktur wytrawionych głęboko w krzemie. Wytworzenie tych cech czystych, gładkich i powtarzalnych jest trudne — a sprawdzenie ich jakości pod mikroskopem elektronowym jest jeszcze trudniejsze. Artykuł przedstawia nowe narzędzie sztucznej inteligencji, które może automatycznie odczytywać te mikroskopowe obrazy i robi to znacznie dokładniej niż ludzie, obiecując szybszą, tańszą i bardziej niezawodną produkcję zaawansowanych mikroukładów.

Dlaczego trawienie głębokich wąskich bruzd jest tak trudne

Nowoczesne systemy mikroelektromechaniczne (MEMS) polegają na głębokich, wąskich rowkach wytrawianych w krzemie przy użyciu procesu zwanego głębokim trawieniem reaktywnym jonowym. Inżynierowie dążą do niemal pionowych i gładkich ścianek, ale w praktyce krawędzie boczne rozwijają fale, wybrzuszenia i inne zniekształcenia, gdy plazma na przemian trawi i osadza warstwę ochronną. Drobne zmiany w czasie cykli, przepływie gazu, temperaturze czy starzeniu się narzędzi mogą zamienić dobrą recepturę w nieudaną, a te zmiany ujawniają się jako subtelne różnice w profilu rowka widoczne tylko na przekrojach wykonanych w skaningowym mikroskopie elektronowym (SEM).

Wąskie gardło: ludzki odczyt obrazów

Obecnie ocena tych wytrawionych struktur w większości opiera się na pracy ręcznej. Inżynierowie tną wafle, wykonują setki obrazów SEM, a następnie mozolnie śledzą krawędzie i mierzą głębokości oraz szerokości na komputerze. Analiza każdego obrazu może zająć godzinę lub więcej, a różni ludzie często różnią się w ocenie tej samej cechy o 15–20 procent. Proste metody automatyczne i wcześniejsze narzędzia uczenia maszynowego, takie jak konwencjonalne sieci neuronowe, mogą przyspieszyć proces, ale mają problemy z zaszumionymi, niskokontrastowymi obrazami typowymi dla głębokich rowków i często nie uchwycają, jak struktura zmienia się z głębokością. W rezultacie analiza obrazów stała się poważnym wąskim gardłem dla produkcji o dużej przepustowości i dla stosowania AI do optymalizacji procesu trawienia.

AI, które respektuje fizykę

Autorzy proponują nowe podejście nazwane fizycznie ograniczonym wariacyjnym autoenkoderem poziomu zbioru, czyli VLSet‑AE. W istocie system ten „kompresuje” obraz SEM do zwartego wewnętrznego kodu, a następnie „odtwarza” kształt rowka z tego kodu. Zamiast traktować krawędź rowka jako zbiór jasnych pikseli, modeluje granicę jako poruszający się interfejs, który rozszerza się, aż napotka rzeczywisty materiał, podobnie jak rozszerzająca się pęcherzyk, który zatrzymuje się na ściankach. Ruch tego interfejsu jest kierowany równaniami opisującymi, jak powierzchnia wytrawiona powinna rzeczywiście ewoluować w czasie, więc AI jest sterowane nie tylko danymi, lecz także znaną fizyką procesu trawienia.

Widzieć cały rowek w przestrzeni i czasie

Aby wytrenować i przetestować system, zespół zaprojektował staranny zestaw 16 receptur trawienia, zmieniał kluczowe czasy cykli kontrolujące, jak długo plazma trawi i jak długo chroni, oraz zebrał 1 000 obrazów przekrojów SEM. Każdy obraz rowka był dzielony na wiele cienkich warstw wzdłuż jego głębokości, z każdą warstwą odpowiadającą jednemu cyklowi trawienia i osadzania ochrony. VLSet‑AE śledzi, jak kontur zmienia się warstwa po warstwie, a następnie zszywa te plastry z powrotem w pełny trójwymiarowy widok. Na tej podstawie automatycznie oblicza dziewięć kluczowych pomiarów: głębokość i szerokość fal na ściance, lokalny promień krzywizny, pionowość profilu oraz szerokość rowka na górze, w środku i na dole, wraz z całkowitą głębokością i wygięciem ścian.

Szybsze, dokładniejsze i gotowe do fabryki

W porównaniu z pomiarami ręcznymi i siedmioma innymi popularnymi modelami AI, VLSet‑AE wypada najlepiej. Średnio różni się od pomiarów manualnych tylko o około 3,7 procent — lepiej niż zmienność między ludźmi — i osiąga ogólną dokładność rozpoznawania na poziomie około 94–96 procent. Jest też wydajny: trenowanie na pełnym zbiorze danych zajmuje rzędy dziesiątek sekund, a analiza nowego obrazu trwa około sekundy. Nawet przy mniejszej liczbie obrazów treningowych jego dokładność spada jedynie nieznacznie, co pokazuje, że radzi sobie z ograniczonymi danymi — częstą sytuacją w wysokiej klasy produkcji.

Co to oznacza dla technologii codziennego użytku

Mówiąc prosto, praca ta przekształca inspekcję SEM z rzemieślniczego zadania w przemysłowe. Dzięki automatycznemu i niezawodnemu odczytywaniu drobnych szczegółów strukturalnych z zaszumionych obrazów mikroskopowych, VLSet‑AE umożliwia zbieranie ogromnych ilości danych potrzebnych, by AI mogła na bieżąco stroić i monitorować receptury trawienia. To z kolei może prowadzić do gładszych rowków, precyzyjniejszych czujników i bardziej spójnych układów, produkowanych przy mniejszej liczbie prób i błędów oraz niższych kosztach. Metoda oferuje również ogólny wzorzec łączenia fizyki i uczenia maszynowego do zrozumienia innych złożonych etapów produkcji, wskazując na przyszłość, w której mikroi nanourządzenia są projektowane i dopracowywane przez ściśle zintegrowane, sterowane przez AI fabryki.

Cytowanie: 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

Słowa kluczowe: głębokie trawienie reaktywne jonowe, skaningowa mikroskopia elektronowa, AI uwzględniająca fizykę, wariacyjny autoenkoder, mikrofabrykacja