一种制造光学器件的新方法

光刻技术涉及操纵光线将特征精确蚀刻到表面上，通常用于制造计算机芯片和透镜等光学器件。但是制造过程中的微小偏差往往导致这些器件达不到设计者的预期。

为了缩小设计与制造的差距，麻省理工学院和香港中文大学的研究人员使用机器学习构建了一个模拟特定光刻制造过程的数字模拟器。他们的技术利用从光刻系统收集的真实数据，因此可以更准确地模拟系统如何制造设计。

研究人员将该模拟器与另一个数字模拟器集成到一个设计框架中，该数字模拟器模拟制造的设备在下游任务中的性能，例如用计算相机生成图像。这些连接的模拟器使用户能够生产出更符合其设计的光学设备，并达到最佳的任务性能。

这项技术可以帮助科学家和工程师为移动相机、增强现实、医学成像、娱乐和电信等应用创建更准确和高效的光学设备。由于学习数字模拟器的途径利用了现实经验数据，因此它可以应用于各种光刻系统。

机械工程研究生Cheng Zheng说：“这个想法听起来很简单，但人们以前没有尝试过的原因是真实数据可能很昂贵，而且没有先例可以有效地协调软件和硬件来构建高保真数据集“我们冒了风险，进行了广泛的探索，例如开发和尝试特征化工具和数据探索策略，以确定一个可行的方案。结果出奇的好，证明真实数据比由分析方程组成的模拟器生成的数据更有效、更精确。尽管它可能很昂贵，而且一开始可能会让人感到无助，但这是值得的。”

Cheng Zheng与香港中文大学研究生Guangyuan Zhao共同撰写了这篇论文，她的导师是麻省理工学院的机械工程和生物工程教授彼得·T·苏。该研究将在SIGGRAPH亚洲会议上公布。

用光来打印

光刻技术涉及将光图案投影到表面上，这会引起化学反应，将特征蚀刻到基材中。然而，由于光的衍射的微小偏差和化学反应的微小变化，最终制造的器件的图案略有不同。

由于光刻复杂且难以建模，许多现有的设计方法依赖于从物理学中导出的方程。这些通用的方程可以给出制造过程的一些意义，但不能捕捉到光刻系统特有的所有偏差。这可能会导致设备在现实世界中表现不佳。

麻省理工学院的研究人员将他们称之为神经光刻的技术，以基于物理的方程为基础，构建了光刻模拟器，然后结合了神经网络，该神经网络基于用户的实际光刻系统实验数据进行了训练。这种神经网络是一种基于人类大脑的机器学习模型，可以学习补偿系统的许多特定偏差。

研究人员通过生成许多设计来收集他们的方法的数据，这些设计涵盖了各种特征尺寸和形状，他们使用光刻系统来制造这些设计。他们测量最终的结构，并将其与设计规范进行比较，将这些数据配对并使用它们来训练他们的数字模拟器的神经网络。

Cheng Zheng说：“学习模拟器的性能取决于输入的数据，从方程式中人工生成的数据无法覆盖现实世界的偏差，这就是为什么拥有现实经验数据的重要性。”

双模拟器

数字光刻模拟器由两个独立的组件组成：一个光学模型，用于捕捉光如何投射到器件表面，以及一个抗蚀剂模型，用于显示光化学反应如何发生以在表面上产生特征。

在下游任务中，他们将这个学习过的光刻模拟器连接到基于物理的模拟器上，该模拟器可以预测所制造的设备将如何执行该任务，例如衍射透镜将如何衍射照射它的光线。

用户指定他们希望设备实现的结果。然后，这两个模拟器在更大的框架内协同工作，向用户展示如何进行设计以达到这些性能目标。

Cheng Zheng补充道：“有了我们的模拟器，制造的物体可以在下游任务中获得尽可能好的性能，比如计算相机，这是一种很有前途的技术，可以使未来的相机小型化和更强大。我们表明，即使你使用后校准来尝试获得更好的结果，它仍然不如我们的光刻模型处于循环中。”

他们通过制造一个全息元件来测试这种技术，当光线照射到该元件上时，该元件会产生蝴蝶图像。与使用其他技术设计的设备相比，他们的全息元件产生了一个近乎完美的蝴蝶，与设计更接近。他们还制作了一个多级衍射透镜，其图像质量优于其他设备。

未来，研究人员希望改进他们的算法，以模拟更复杂的设备，并使用消费级相机测试该系统。此外，他们希望扩展他们的方法，使其可以与不同类型的光刻系统一起使用，例如使用深紫外光或极紫外光的系统。

审核编辑：汤梓红