光刻技术涉及利用光线精确刻蚀物体表面的特征，常用于制造计算机芯片和光学设备，如透镜。但在制造过程中，微小的偏差经常导致这些设备无法达到设计者的意图。
为了帮助缩小设计与制造之间的差距，麻省理工学院和香港中文大学的研究人员利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。
研究人员将这个模拟器与另一个模拟已制造设备在下游任务中的性能的数字模拟器整合到一个设计框架中，例如使用计算摄像头生成图像。这些连接的模拟器使用户能够制造出更符合设计要求并达到最佳任务性能的光学设备。
这种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流程利用了真实世界的数据，因此可以应用于各种光刻系统。
“这个想法听起来很简单，但之前没有人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度的数据集，”机械工程研究生郑成说，他是描述这项工作的开放获取论文的共同第一作者。“我们冒了风险并进行了广泛的探索，例如开发和尝试表征工具和数据探索策略，以确定一个可行的方案。结果出奇地好，表明真实数据比由分析方程组成的模拟器生成的数据更高效、更精确。尽管可能很昂贵，一开始可能会感到茫然，但这是值得做的。”
郑成与香港中文大学的研究生赵广元以及她的导师、麻省理工学院的机械工程和生物工程教授Peter T. So共同撰写了这篇论文。该研究将在SIGGRAPH亚洲会议上进行展示。
用光打印
光刻技术涉及将光的图案投射到物体表面，从而引发化学反应，将特征刻蚀到基底上。然而，由于光的衍射微小偏差和化学反应的微小变化，制造出的设备最终的图案会略有不同。
由于光刻技术复杂且难以建模，许多现有的设计方法依赖于从物理学中推导出的方程。这些通用方程可以给出制造过程的某种感觉，但无法捕捉到特定光刻系统的所有偏差。这可能导致设备在实际应用中性能不佳。
对于他们的技术，麻省理工学院的研究人员使用基于物理方程的方程作为基础构建了光刻模拟器，然后将其与用户光刻系统的真实实验数据上训练的神经网络结合起来。这种神经网络是一种基于人脑的机器学习模型，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涵盖各种特征尺寸和形状的设计，并使用光刻系统制造这些设计，来收集他们的方法的数据。他们测量最终的结构并将其与设计规格进行比较，将这些数据配对并用于训练数字模拟器的神经网络。
“学习模拟器的性能取决于输入的数据，而从方程人工生成的数据无法涵盖真实世界的偏差，这就是为什么拥有真实世界数据很重要的原因，”郑成说。
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设备表面上，以及一个抗蚀模型，用于显示光化学反应如何在表面上产生特征。
在下游任务中，他们将这个学习的光刻模拟器连接到一个基于物理的模拟器，该模拟器预测制造的设备在该任务上的性能，例如衍射透镜如何衍射击中它的光线。
用户指定他们希望设备实现的结果。然后，这两个模拟器在一个更大的框架内共同工作，向用户展示如何设计才能达到这些性能目标。
“通过我们的模拟器，制造的物体可以在下游任务上获得最佳性能，比如计算摄像头，这是一种使未来相机小型化和更强大的有前途的技术。我们表明，即使使用后校准来尝试获得更好的结果，它仍然不如将我们的光刻模型纳入其中好，”赵广元补充道。
他们通过制造一个当光照射时生成蝴蝶图像的全息元件来测试这种技术。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与设计更接近的几乎完美的蝴蝶。他们还制造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，他们还希望扩展他们的方法，使其适用于使用深紫外光或极紫外光的不同类型的光刻系统。
这项研究得到了美国国立卫生研究院、富士康有限公司和香港创新科技基金的部分支持。
