Fizik-kısıtlı varyasyonel otoenkoder tabanlı derin reaktif iyon aşındırmada SEM profillerinin AI destekli özellik tanıması

Daha Akıllı Görüntülemeyle Daha Keskin Çipler

Her akıllı telefon, araç hava yastığı sensörü ve medikal mikroiğne, silikona derinlemesine oyulmuş küçük üç boyutlu yapılara dayanır. Bu özellikleri temiz, pürüzsüz ve tekrarlanabilir yapmak zor — ve onları elektron mikroskobu altında kontrol etmek daha da zor. Bu makale, bu mikroskobik görüntüleri otomatik olarak ve insanlardan çok daha doğru şekilde okuyabilen yeni bir yapay zeka aracını tanıtıyor; bu, gelişmiş mikroaygıtların daha hızlı, daha ucuz ve daha güvenilir üretimini vaat ediyor.

Derin Küçük Yarıkları Aşındırmanın Zorluğu

Modern mikroelektromekanik sistemler (MEMS), derin, dar olukların silikona oyulmasıyla oluşturulur; bu işlem derin reaktif iyon aşındırma olarak adlandırılır. Mühendisler neredeyse dik ve düzgün duvarlar ister, ancak pratikte yan duvarlarda plazmanın oyma ve kaplama döngüleri arasında değişmesiyle dalgalar, şişkinlikler ve diğer deformasyonlar gelişir. Zamanlama, gaz akışı, sıcaklık ya da ekipman yaşlanmasındaki küçük değişiklikler iyi bir reçeteyi kötü bir hale getirebilir ve bu değişiklikler yalnızca SEM kesitlerinde görülebilen oluk profilindeki ince farklılıklar olarak ortaya çıkar.

İnsan Tarafından Görüntü Okumanın Darboğazı

Bugün, bu oyulmuş yapıları değerlendirme çoğunlukla elle yapılan bir ustalık işi. Mühendisler waferları dilimliyor, yüzlerce SEM görüntüsü alıyor ve sonra kenarları tek tek izleyip derinlik ve genişlikleri bilgisayarda zahmetle ölçüyor. Her görüntünün analiz edilmesi bir saat veya daha fazla sürebilir ve farklı kişiler aynı özellik üzerinde genellikle yüzde 15–20 oranında farklılık gösterir. Basit otomatik yöntemler ve geleneksel sinir ağları gibi önceki makine öğrenimi araçları işleri hızlandırabilse de, derin oluklara özgü gürültülü, düşük kontrastlı görüntülerle başa çıkmakta zorlanır ve yapının derinlikle nasıl değiştiğini sıklıkla kaçırır. Sonuç olarak, görüntü analizi yüksek hacimli üretim ve aşındırma işlemini optimize etmek için yapay zekanın kullanımında ciddi bir darboğaz haline gelmiştir.

Fiziğe Saygı Gösteren Bir Yapay Zeka

Yazarlar, fizik-kısıtlı varyasyonel seviye set otoenkoder adı verilen yeni bir yaklaşım öneriyor; kısaca VLSet-AE. Bu yapay zeka sisteminin özünde bir SEM görüntüsünü sıkıştırıp kompakt bir iç koda dönüştürmek ve ardından o koddan oluk şeklinin yeniden inşa edilmesi yatıyor. Oluk kenarını sadece parlak pikseller kümesi olarak ele almak yerine, sınırı gerçek malzemeye ulaşana dek dışa doğru büyüyen hareket eden bir ara yüz olarak modelliyor; duvarlarda durana kadar genişleyen bir kabarcık gibi. Bu ara yüzün hareketi, oyulmuş bir yüzeyin zaman içinde nasıl evrileceğini tanımlayan denklemlerle yönlendirilir; böylece yapay zeka yalnızca veriye değil, aynı zamanda aşındırma sürecinin bilinen fiziğine de göre şekillendirilir.

Olukta Zaman ve Mekânda Bütünü Görmek

Bu sistemi eğitmek ve test etmek için ekip, dikkatle seçilmiş 16 aşındırma reçetesinden oluşan bir set tasarladı, plazmanın ne kadar süre oyduğu ve ne kadar süre koruduğunu kontrol eden ana döngü sürelerini değiştirdi ve 1.000 SEM kesit görüntüsü topladı. Her oluk görüntüsü, derinlik boyunca birçok ince katmana bölündü; her katman bir aşındırma-ve-kaplama döngüsünü temsil ediyor. VLSet-AE, konturun katman katman nasıl evrildiğini takip ediyor ve ardından bu dilimleri tam bir üç boyutlu görünümde birleştiriyor. Buradan otomatik olarak dokuz kritik ölçümü hesaplıyor: duvardaki dalgaların derinliği ve genişliği, lokal eğrilik yarıçapı, profilin ne kadar dik olduğu ve üst, orta ile alt kısımdaki oluk genişlikleri ile birlikte genel derinlik ve duvarların yayılması (bowing).

Daha Hızlı, Daha Doğru ve Fabrikaya Hazır

İnsan ölçümleri ve yedi popüler diğer yapay zeka modeliyle karşılaştırıldığında, VLSet-AE en iyi sonucu veriyor. Ortalama olarak manuel ölçümlerle yalnızca yaklaşık yüzde 3,7 oranında uyuşmazlık gösteriyor — insan-insan varyasyonundan daha iyi — ve genel tanıma doğruluğu yaklaşık yüzde 94–96 civarında. Ayrıca verimli: tam veri kümesi üzerinde eğitimi onlarca saniye mertebesinde sürüyor ve yeni bir görüntüyü analiz etmesi yaklaşık bir saniye alıyor. Daha az eğitim görüntüsüyle test edildiğinde bile doğruluğu yalnızca Hafifçe düşüyor; bu, yüksek sınıf üretimde sık görülen kısıtlı veri durumlarıyla başa çıkabileceğini gösteriyor.

Günlük Teknoloji İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma SEM muayenesini bir zanaat işinden endüstriyel bir işe çeviriyor. Gürültülü mikroskop görüntülerinden ince yapısal ayrıntıları otomatik ve güvenilir şekilde okuyarak, VLSet-AE gerçek zamanlı olarak aşındırma reçetelerini ayarlayıp izlemek için gereken büyük veri hacimlerinin toplanmasını pratik hale getiriyor. Bu da daha düzgün oluklara, daha hassas sensörlere ve daha tutarlı çiplere; daha az deneme-yanılma ve daha düşük maliyetle üretilmesine yol açabilir. Yöntem ayrıca fiziği ve makine öğrenimini birleştirerek diğer karmaşık üretim adımlarını anlamaya yönelik genel bir plan sunuyor; mikro ve nano aygıtların sıkı entegre, yapay zekâ destekli fabrikalarda tasarlanıp mükemmelleştirildiği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: derin reaktif iyon aşındırma, taramalı elektron mikroskobu, fizik-bilgili yapay zeka, varyasyonel otoenkoder, mikroüretim