基于物理约束变分自编码器的深反应离子刻蚀中SEM截面特征识别的AI驱动方法

通过更智能的成像打造更精细的芯片

每一部智能手机、汽车气囊传感器和医疗微针都依赖于刻蚀在硅中、呈三维微小结构的特征。制作这些结构时需要干净、平滑且可重复的侧壁，这非常困难——而在电子显微镜下检查它们的质量则更具挑战性。本文提出了一种新的人工智能工具，能够自动读取这些微观图像，并比人工更准确得多，承诺能加速、降低成本并提高先进微器件生产的可靠性。

为何刻蚀深而狭窄的沟槽如此棘手

现代微机电系统（MEMS）依赖于使用称为深反应离子刻蚀的工艺在硅中刻蚀出的深而窄的沟槽。工程师希望侧壁几乎垂直且光滑，但实际上侧壁会在等离子体交替雕刻与沉积的周期中产生波纹、膨胀和其他畸变。计时、气体流量、温度或设备老化的微小变化都可能把一个良好的配方变成不良的，而这些变化会以仅在扫描电子显微镜（SEM）截面中可见的细微轮廓差异表现出来。

人工读片的瓶颈

目前，对这些刻蚀结构的评估大多依赖手工工艺。工程师切片晶圆，拍摄数百张SEM图像，然后在电脑上费时描边并测量深度与宽度。每张图像的分析可能耗时一小时或更久，不同操作者对同一特征的判断常常相差15–20%。简单的自动方法和早期的机器学习工具（如传统神经网络）可加速流程，但它们在应对深沟槽典型的低对比度高噪声图像时吃力，并且经常无法捕捉结构随深度的变化。因此，图像分析已成为高通量制造和利用AI优化刻蚀工艺自身的一个严重瓶颈。

尊重物理法则的人工智能

作者提出了一种称为物理约束变分水平集自编码器（VLSet‑AE）的新方法。该AI系统的核心是将一张SEM图像“压缩”为一个紧凑的内部编码，然后再从编码“重建”沟槽的形状。它并不把沟槽边缘仅当作一组亮像素，而是将边界建模为一个向外生长直到遇到真实材料的移动界面，类似于在墙壁处停止扩张的气泡。该界面的运动由描述被刻蚀表面如何随时间演化的方程引导，因此AI不仅受数据驱动，还受刻蚀工艺已知物理规律的约束。

在时空中看到整个沟槽

为训练和测试该系统，团队设计了16组精心挑选的刻蚀配方，改变控制等离子体雕刻与保护时长的关键周期时间，并收集了1000张SEM截面图像。每个沟槽图像沿深度方向被切成许多薄层，每层代表一次刻蚀‑沉积循环。VLSet‑AE按层追踪轮廓的演变，然后将这些切片拼接回完整的三维视图。由此，它能自动计算九项关键测量值：壁面波纹的深度与宽度、局部曲率半径、轮廓的垂直度、沟槽顶部、中部和底部的宽度，以及总体深度和侧壁弯曲程度。

更快、更准确，并适合工厂应用

与人工测量和七种其他流行AI模型比较时，VLSet‑AE表现最佳。其与人工测量的平均偏差约为3.7%——优于人工之间的差异——整体识别准确率约为94–96%。该方法还高效：在完整数据集上的训练耗时量级为数十秒，分析一张新图像约需一秒钟。即使在训练图像较少的情况下，其准确度也仅略有下降，显示出能应对数据有限的情形——这在高端制造中很常见。

对日常科技意味着什么

简而言之，这项工作将SEM检验从一种手工艺转变为工业化流程。通过自动且可靠地从噪声显微图像中读取精细结构细节，VLSet‑AE使得收集用于让AI实时调整与监控刻蚀配方的大量数据成为可行。这反过来可以带来更平滑的沟槽、更精确的传感器和更一致的芯片，同时减少试错并降低成本。该方法还为将物理学与机器学习结合以理解其他复杂制造步骤提供了通用蓝图，指向一个微纳器件由紧密集成、AI驱动的晶圆厂设计与完善的未来。

引用: 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

关键词: 深反应离子刻蚀, 扫描电子显微镜, 物理知情的人工智能, 变分自编码器, 微纳制造