AI‑driven funktionsigenkänning av SEM‑profiler i djup reaktiv jonetsning baserad på fysikbegränsad variationsautoencoder

Skarpare chip tack vare smartare avbildning

Varje smartphone, bilkrockkuddessensor och medicinsk mikronål förlitar sig på små tredimensionella strukturer urfrästa djupt i kisel. Att tillverka dessa detaljer rena, släta och repeterbara är svårt — och att kontrollera deras kvalitet i ett elektronmikroskop är ännu svårare. Denna artikel presenterar ett nytt verktyg med artificiell intelligens som kan läsa dessa mikroskopiska bilder automatiskt och betydligt noggrannare än människor, vilket lovar snabbare, billigare och mer tillförlitlig produktion av avancerade mikroenheter.

Varför det är så knepigt att etsa djupa, små spår

Moderna mikroelektromekaniska system (MEMS) bygger på djupa, smala fåror etsade i kisel med en process som kallas djup reaktiv jonetsning. Ingenjörer önskar nästan perfekt vertikala och släta väggar, men i praktiken utvecklar sidoväggarna vågor, bulor och andra deformationer när plasman alternerar mellan fräs- och beläggningscykler. Små förändringar i timing, gasflöde, temperatur eller verktygets åldrande kan förvandla ett fungerande recept till ett dåligt, och dessa förändringar syns som subtila skillnader i fårans profil som bara är synliga i tvärsnittsbilder från rasterelektronmikroskop (SEM).

Flaskhalsen: mänsklig tolkningsarbete av bilder

Idag är bedömningen av dessa etsade strukturer till stor del ett manuellt hantverk. Ingenjörer skär wafers, tar hundratals SEM‑bilder och spårar sedan kanter och mäter djup och bredd i datorn med stor möda. Varje bild kan ta en timme eller mer att analysera, och olika personer är ofta oense med 15–20 procent på samma detalj. Enkla automatiska metoder och tidigare maskininlärningsverktyg som konventionella neurala nätverk kan snabba upp processen, men de har svårt med de brusiga, lågkontrastbilder som är typiska för djupa fåror och missar ofta hur strukturen förändras med djupet. Som ett resultat har bildanalys blivit en allvarlig flaskhals för höggenomströmningstillverkning och för att använda AI för att optimera själva etsningsprocessen.

En AI som respekterar fysiken

Författarna föreslår en ny ansats kallad fysikbegränsad variationsnivå‑set‑autoencoder, eller VLSet‑AE. Kärnan i detta AI‑system är att det ”komprimerar” en SEM‑bild till en kompakt intern kod och sedan ”återbygger” fårans form från den koden. Istället för att betrakta fårans kant som enbart en uppsättning ljusa pixlar modellerar det gränsen som ett rörligt gränssnitt som växer utåt tills det möter det verkliga materialet, ungefär som en expanderande bubbla som stannar vid väggarna. Rörelsen hos detta gränssnitt styrs av ekvationer som beskriver hur en etsad yta faktiskt bör utvecklas över tid, så AI:n leds inte bara av data utan också av den kända fysiken i etsningsprocessen.

Se hela fåran i rum och tid

För att träna och testa systemet designade teamet ett noggrant set av 16 etsningsrecept, varierade nyckelcykeltiderna som styr hur länge plasman fräser respektive skyddar, och samlade 1000 SEM‑tvärsnittsbilder. Varje fårbild delades upp i många tunna lager längs dess djup, där varje lager representerar en etsa‑och‑belägg‑cykel. VLSet‑AE följer hur konturen utvecklas lager för lager och syr sedan ihop dessa skivor till en full tredimensionell vy. Därifrån beräknar det automatiskt nio avgörande mätvärden: djupet och bredden på väggarnas vågmönster, den lokala krökningsradien, hur vertikal profilen är, samt fårans bredd i toppen, mitten och botten, tillsammans med det totala djupet och väggarnas bågform.

Snabbare, mer korrekt och redo för fabrik

Jämfört med manuella mätningar och sju andra populära AI‑modeller hamnar VLSet‑AE i topp. I genomsnitt avviker den från manuella mätningar med endast omkring 3,7 procent — bättre än mänsklig‑till‑mänsklig variation — och når en total igenkänningsnoggrannhet runt 94–96 procent. Den är också effektiv: träning på hela datasettet tar i storleksordningen tiotals sekunder, och analys av en ny bild tar ungefär en sekund. Även när den testas med färre träningsbilder försämras noggrannheten endast marginellt, vilket visar att den klarar begränsade datamängder — en vanlig situation inom högteknologisk tillverkning.

Vad detta betyder för vardagsteknik

Enkelt uttryckt förvandlar detta arbete SEM‑inspektion från ett hantverksjobb till en industriprocess. Genom att automatiskt och pålitligt läsa finstrukturella detaljer från brusiga mikroskopbilder gör VLSet‑AE det praktiskt att samla de stora datamängder som behövs för att låta AI finjustera och övervaka etsningsrecept i realtid. Det kan i sin tur leda till slätare fåror, mer precisa sensorer och mer konsekventa chip, allt producerat med mindre trial‑and‑error och lägre kostnad. Metoden erbjuder också en generell mall för att förena fysik och maskininlärning för att förstå andra komplexa tillverkningssteg, och pekar mot en framtid där mikro‑ och nanoenheter designas och förbättras av tätt integrerade, AI‑drivna fabriker.

Citering: 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

Nyckelord: djup reaktiv jonetsning, rasterelektronmikroskopi, fysikinformerad AI, variationsautoencoder, mikrotillverkning