南安普顿大学Nano Lett.: 深度学习辅助聚焦离子束纳米加工

聚焦离子束（FIB）铣削是一种重要的快速原型制作工具，广泛用于微/纳米制造及器件和材料表征。该技术允许在各种材料中制造任意结构，但为给定任务建立工艺参数是一项多维优化挑战，通常通过耗时的迭代试错来解决。

在此，英国南安普顿大学Kevin F. MacDonald, Ben Mills等人证明基于先前制造经验的深度学习可以预测聚焦离子束（FIB）铣削制造结构的后加工外观，涵盖广泛的样品设计几何形状（任意微/纳米结构特征形状和尺寸）及离子束参数（电流和单位面积剂量）。

研究表明，每次预测仅需几十毫秒，且在考虑仪器和目标特定工件的情况下，在一系列离子束参数上的预测准确度超过96%。这可以显著减少新FIB工艺的开发和优化所需的实验剂量测试迭代的时间和次数，还可以用于快速评估设计的影响或工艺参数修改。这种预测保持了样品性能（既定工艺结果的一致性），可以防止离子源和离子枪束孔老化，从而增加了所述组件的使用寿命，特别是在高度重复（如交叉截面表征）任务中。

图1. FIB铣削的深度学习模拟

此外，针对仪器/目标材料的特定伪影的预测结果同样准确，这增加了神经网络可用于早期故障（束对齐、孔径损伤）检测和识别的前景。为了验证该模型的可用性，作者训练了一个神经网络模型来模拟特定目标介质上特定类型的FIB铣削任务，同时改变离子电流和剂量（保持所有其他系统参数不变）。

在实践中，可以根据手头的任务、相关的各种目标材料及全方位的基板和系统元数据来训练网络。通过这种方式，神经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”。因此，基于机器学习的FIB/SEM系统作为集成的微/纳米制造和样品表征平台不仅具有相当大的功能增强空间，而且神经网络也可能有助于对铣削工艺（即离子束-目标相互作用）的新科学理解。

图2. 神经网络预测和实际FIB铣削过程结果之间的比较

Deep-Learning-Assisted Focused Ion Beam Nanofabrication, Nano Letters 2022. DOI: 10.1021/acs.nanolett.1c04604

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/13/26aeec56fc/

南安普顿大学Nano Lett.: 深度学习辅助聚焦离子束纳米加工

相关推荐