告别试错！机器学习方法增强FIB/SEM系统 微纳制造结果可提前预测

聚焦离子束 (FIB) 铣削是一种纳米级的直接写入制造技术，其中从目标表面去除材料是用聚焦离子束实现的。它是一种流行且通用的方法，用于创建大约 10-100nm 的结构，尤其多用在半导体行业中。

任何 FIB 铣削工艺的工作产品都是束流、光斑尺寸、扫描图案、目标材料特性和设计几何形状（尤其是图案的纵横比）的复杂函数的结果。

鉴于这种巨大的复杂性，研究人员和工业用户面临的问题是开发一个描述铣削过程中发生的物理过程的综合分析模型。缺乏这样的模型总是需要耗时的试错测试来建立最佳工艺参数，以实现给定目标上给定铣削操作的预期结果。

在Nano Letters上发表的“Deep-Learning-Assisted Focused Ion Beam Nanofabrication”中，研究人员表明，深度学习可用于在扫描电子显微镜图像的2D投影中模拟 FIB 铣削制造的结构的制造后外观，作为过程精度和质量的一个很好的指标。

FIB铣削的深度学习模拟。(a) 神经网络在一组二元设计模式、FIB 铣削制造的样品的相应 SEM 图像以及其生产中使用的离子束参数的细节上进行训练。(b) 经过训练的网络能够准确预测 FIB 铣削过程的结果——SEM 成像中样品的预期制造后外观（对于以前看不见的设计）。

通过在毫秒时间尺度上生成每个预测，该方法可以用于 FIB 制造过程中的可重复性和精度。

在他们的原理验证研究中，研究人员训练了一个神经网络，以在特定目标介质上模拟特定类型的 FIB 铣削任务，同时仅改变离子电流和剂量（即，保持所有其他系统参数不变）。

他们指出，在实践中，人们会在相关的各种目标上训练网络完成手头的任务（即，根据应用环境，例如基于半导体晶片的器件表征或用于等离子体研究的纳米制造）材料，并具有全方位的基板和系统元数据（例如，薄膜沉积方法、速率和厚度、晶体取向等；离子电流、剂量、光栅扫描模式、重复次数、离子源、孔径年龄等）。

通过这种方式，训练网络将积累对影响过程结果的众多样本和系统参数之间的复杂关系的“理解”。

EPSRC 标志的神经网络预测（左栏）和实际 FIB 研磨样品 SEM 图像（右栏）之间的比较：（a）二元设计和离子束电流（孔径）设置为（b）9.8 ， (c) 28，(d) 48 和 (e) 93 pA的图像

作者得出结论，通过应用机器学习方法，FIB/SEM 系统作为集成的微/纳米制造和样品表征（即制造和原位诊断）平台，其功能增强似乎有相当大的空间。

例如，由于成分和原子/分子结构的相似性，材料家族具有相似的物理特性，而神经网络在复杂的多维数据集中发现此类模式非常有效；因此，他们可以类似地“学习”材料类型之间存在关系。

原文作者：Michael Berger