Impresi\u00f3n con luz<\/strong><\/p>\nLa fotolitograf\u00eda implica proyectar un patr\u00f3n de luz sobre una superficie, lo que provoca una reacci\u00f3n qu\u00edmica que graba caracter\u00edsticas en el sustrato. Sin embargo, el dispositivo fabricado termina con un patr\u00f3n ligeramente diferente debido a min\u00fasculas desviaciones en la difracci\u00f3n de la luz y peque\u00f1as variaciones en la reacci\u00f3n qu\u00edmica.<\/p>\n
Debido a que la fotolitograf\u00eda es compleja y dif\u00edcil de modelar, muchos enfoques de dise\u00f1o existentes se basan en ecuaciones derivadas de la f\u00edsica. Estas ecuaciones generales dan una idea del proceso de fabricaci\u00f3n, pero no pueden capturar todas las desviaciones espec\u00edficas de un sistema de fotolitograf\u00eda. Esto puede hacer que los dispositivos tengan un rendimiento inferior en el mundo real.<\/p>\n
Para su t\u00e9cnica, que llaman litograf\u00eda neuronal, los investigadores del MIT construyen su simulador de fotolitograf\u00eda utilizando ecuaciones basadas en la f\u00edsica como base y luego incorporan una red neuronal entrenada con datos experimentales reales del sistema de fotolitograf\u00eda de un usuario. Esta red neuronal, un tipo de modelo de aprendizaje autom\u00e1tico basado libremente en el cerebro humano, aprende a compensar muchas de las desviaciones espec\u00edficas del sistema.<\/p>\n
Los investigadores recopilan datos para su m\u00e9todo generando muchos dise\u00f1os que cubren una amplia gama de tama\u00f1os y formas de caracter\u00edsticas, que fabrican utilizando el sistema de fotolitograf\u00eda. Miden las estructuras finales y las comparan con las especificaciones de dise\u00f1o, emparejan esos datos y los utilizan para entrenar una red neuronal para su simulador digital.<\/p>\n
\"El rendimiento de los simuladores aprendidos depende de los datos introducidos, y los datos generados artificialmente a partir de ecuaciones no pueden cubrir las desviaciones del mundo real, por lo que es importante tener datos del mundo real\", dice Zheng.<\/p>\n
Simuladores duales<\/strong><\/p>\nEl simulador de litograf\u00eda digital consta de dos componentes separados: un modelo \u00f3ptico que captura c\u00f3mo se proyecta la luz sobre la superficie del dispositivo y un modelo resistente que muestra c\u00f3mo ocurre la reacci\u00f3n fotoqu\u00edmica para producir caracter\u00edsticas en la superficie.<\/p>\n
En una tarea posterior, conectan este simulador de fotolitograf\u00eda aprendido a un simulador basado en la f\u00edsica que predice c\u00f3mo se desempe\u00f1ar\u00e1 el dispositivo fabricado en esta tarea, por ejemplo, c\u00f3mo una lente difractiva difractar\u00e1 la luz que incide sobre ella.<\/p>\n
El usuario especifica los resultados que desea que logre un dispositivo. Luego, estos dos simuladores trabajan juntos dentro de un marco m\u00e1s amplio que muestra al usuario c\u00f3mo hacer un dise\u00f1o que alcanzar\u00e1 esos objetivos de rendimiento.<\/p>\n
\u201cCon nuestro simulador, el objeto fabricado puede obtener el mejor rendimiento posible en una tarea posterior, como las c\u00e1maras computacionales, una tecnolog\u00eda prometedora para hacer que las c\u00e1maras futuras sean miniaturizadas y m\u00e1s potentes. Demostramos que, incluso si se utiliza la poscalibraci\u00f3n para intentar obtener un mejor resultado, no ser\u00e1 tan bueno como tener nuestro modelo de fotolitograf\u00eda en el circuito\u201d, a\u00f1ade Zhao.<\/p>\n
Probaron esta t\u00e9cnica fabricando un elemento hologr\u00e1fico que genera una imagen de mariposa cuando la luz incide sobre \u00e9l. En comparaci\u00f3n con dispositivos dise\u00f1ados utilizando otras t\u00e9cnicas, su elemento hologr\u00e1fico produjo una mariposa casi perfecta que se asemejaba m\u00e1s al dise\u00f1o. Tambi\u00e9n produjeron una lente de difracci\u00f3n multinivel, que ten\u00eda mejor calidad de imagen que otros dispositivos.<\/p>\n
En el futuro, los investigadores quieren mejorar sus algoritmos para modelar dispositivos m\u00e1s complicados y tambi\u00e9n probar el sistema utilizando c\u00e1maras de consumo. Adem\u00e1s, quieren ampliar su enfoque para que pueda usarse con diferentes tipos de sistemas de fotolitograf\u00eda, como sistemas que utilizan luz ultravioleta profunda o extrema.<\/p>\n
Esta investigaci\u00f3n cuenta con el apoyo, en parte, de los Institutos Nacionales de Salud de EE. UU., Fujikura Limited y el Fondo de Innovaci\u00f3n y Tecnolog\u00eda de Hong Kong.<\/p>\n<\/p><\/div>\n
[ad_2]
\n
Source link <\/a><\/p>\n","protected":false},"excerpt":{"rendered":"[ad_1] La fotolitograf\u00eda implica la manipulaci\u00f3n de la luz para grabar con precisi\u00f3n caracter\u00edsticas en una superficie y se usa com\u00fanmente para fabricar chips de computadora y dispositivos \u00f3pticos como lentes. Pero peque\u00f1as desviaciones durante el proceso de fabricaci\u00f3n a menudo hacen que estos dispositivos no cumplan con las intenciones de sus dise\u00f1adores. Para ayudar […]<\/p>\n","protected":false},"author":1,"featured_media":163083,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[52],"tags":[10408,10409,10410,10412,8381,10411],"class_list":["post-163082","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia","tag-cheng-zheng","tag-guangyuan-zhao","tag-litografia-computacional","tag-optica-computacional","tag-peter-so","tag-redes-neuronales","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts\/163082","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/comments?post=163082"}],"version-history":[{"count":0,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts\/163082\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/media\/163083"}],"wp:attachment":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/media?parent=163082"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/categories?post=163082"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/tags?post=163082"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![](\"https:\/\/news.mit.edu\/sites\/default\/files\/styles\/news_article__cover_image__original\/public\/images\/202312\/MIT-Neural-Lithography-01.jpg?itok=NtRilFWn\")
<\/p>\n