Распознавание особенностей профилей SEM при глубоком реактивном ионном травлении на основе вариационного автокодировщика с физическими ограничениями

Более чёткие чипы благодаря умной визуализации

Каждый смартфон, датчик подушки безопасности в автомобиле и медицинская микрошприц-контролируемая игла зависят от крошечных трёхмерных структур, выгравированных глубоко в кремнии. Добиться чистоты, гладкости и повторяемости этих элементов сложно — и проверка их качества в электронном микроскопе ещё сложнее. В этой статье представлен новый инструмент искусственного интеллекта, который может автоматически читать эти микроскопические изображения и делать это значительно точнее человека, обещая более быстрое, дешёвое и надёжное производство передовых микроприборов.

Почему травление глубоких узких канав так трудно контролировать

Современные микросистемы (MEMS) опираются на глубокие узкие канавы, выгравированные в кремнии с помощью процесса, называемого глубоким реактивным ионным травлением. Инженерам нужны почти идеально вертикальные и гладкие стенки, но на практике боковые поверхности образуют волны, выпуклости и другие искажения, поскольку плазма чередует циклы резки и защиты. Небольшие изменения времени циклов, расхода газа, температуры или старения оборудования могут превратить хорошую технологию в плохую, и эти изменения проявляются как тонкие различия в профиле канавы, видимые только на поперечных срезах в сканирующем электронном микроскопе (SEM).

Узкое место — ручное считывание изображений

Сегодня оценка этих вытравленных структур в основном является ручным искусством. Инженеры разрезают пластинки, делают сотни снимков SEM и затем кропотливо обводят кромки и измеряют глубины и ширины на компьютере. Анализ одного изображения может занимать час и более, и разные специалисты часто расходятся во мнениях на 15–20 процентов по одним и тем же характеристикам. Простые автоматические методы и ранние инструменты машинного обучения, такие как традиционные нейронные сети, могут ускорить процесс, но им трудно работать с шумными, низкоконтрастными изображениями, типичными для глубоких канав, и они часто не улавливают, как структура меняется с глубиной. В результате анализ изображений стал серьёзным узким местом для высокопроизводительного производства и для использования ИИ в оптимизации самого процесса травления.

ИИ, уважающий физику процесса

Авторы предлагают новый подход, который они называют вариационным автокодировщиком с уровневой функцией, учитывающим физику (physics‑constrained variational level set autoencoder), или VLSet‑AE. По сути, эта система ИИ «сжимает» SEM-изображение в компактный внутренний код, а затем «восстанавливает» форму канавы из этого кода. Вместо того чтобы рассматривать край канавы просто как набор ярких пикселей, модель описывает границу как движущийся интерфейс, который расширяется наружу, пока не встретит реальный материал — подобно раздувающемуся пузырю, останавливающемуся у стенок. Движение этого интерфейса определяется уравнениями, описывающими, как должна фактически эволюционировать протравленная поверхность во времени, так что ИИ направляется не только данными, но и известной физикой процесса травления.

Видеть всю канаву в пространстве и времени

Для обучения и тестирования системы команда разработала тщательный набор из 16 рецептов травления, варьировала ключевые времена циклов, которые управляют тем, сколько плазма режет и сколько защищает, и собрала 1000 SEM-поперечных срезов. Каждое изображение канавы было разрезано на множество тонких слоёв вдоль глубины, каждый из которых соответствовал одному циклу травления и защиты. VLSet‑AE отслеживает, как контур меняется слой за слоем, а затем сшивает эти срезы обратно в полное трёхмерное представление. На его основе автоматически вычисляются девять ключевых параметров: глубина и ширина волн на стенке, локальный радиус кривизны, вертикальность профиля и ширина канавы в верхней, средней и нижней частях, а также общая глубина и выпуклость стенок.

Быстрее, точнее и готов к фабрике

В сравнении с ручными измерениями и семью другими популярными моделями ИИ VLSet‑AE показывает лучшие результаты. В среднем он расходится с ручными замерами всего около 3,7 процента — лучше разброса между разными людьми — и достигает общей точности распознавания примерно 94–96 процентов. Он также эффективен: обучение на полном наборе данных занимает порядка десятков секунд, а анализ нового изображения — около одной секунды. Даже при тестировании с меньшим количеством обучающих изображений его точность снижается лишь незначительно, что показывает способность работать при ограниченных данных — обычной ситуации в высокотехнологичном производстве.

Что это значит для повседневных технологий

Проще говоря, эта работа превращает осмотр в SEM из ремесленной операции в промышленный процесс. Автоматически и надёжно считывая тонкие структурные детали с шумных микроскопических изображений, VLSet‑AE делает практичным сбор огромных объёмов данных, необходимых для того, чтобы ИИ мог в реальном времени настраивать и контролировать рецептуры травления. Это, в свою очередь, может привести к более ровным канавам, более точным датчикам и более однородным чипам, производимым с меньшими испытаниями и ошибками и ниже стоимостью. Метод также представляет собой общий план по объединению физики и машинного обучения для понимания других сложных этапов производства, указывая на будущее, где микро- и нано‑устройства разрабатываются и совершенствуются с помощью тесно интегрированных, управляемых ИИ фабрик.

Цитирование: 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

Ключевые слова: глубокое реактивное ионное травление, сканирующая электронная микроскопия, ИИ с учётом физических законов, вариационный автокодировщик, микрообработка