[논문 리뷰] EllipsoNet: Deep-learning-enabled optical ellipsometry for complex thin films

Ziyang Wang, Yuxuan Lin외 3명|arXiv (Cornell University)|2022. 10. 11.

Optical Polarization and Ellipsometry인용 수 5

한 줄 요약

EllipsoNet은 표준 광학 현미경과 반사 스펙트럼만을 사용하여 복잡한 다층 기반 위에 있는 얇은 필름의 복소 굴절률을 정확하게 현장에서 측정할 수 있는 딥러닝 프레임워크를 도입한다. Kramers-Kronig 관계와 같은 물리적 제약을 암묵적으로 학습함으로써, 사전 기반 지식이나 전용 장비 없이도 높은 정확도의 굴절률 측정을 가능하게 한다.

ABSTRACT

Optical spectroscopy is indispensable for research and development in nanoscience and nanotechnology, microelectronics, energy, and advanced manufacturing. Advanced optical spectroscopy tools often require both specifically designed high-end instrumentation and intricate data analysis techniques. Beyond the common analytical tools, deep learning methods are well suited for interpreting high-dimensional and complicated spectroscopy data. They offer great opportunities to extract subtle and deep information about optical properties of materials with simpler optical setups, which would otherwise require sophisticated instrumentation. In this work, we propose a computational ellipsometry approach based on a conventional tabletop optical microscope and a deep learning model called EllipsoNet. Without any prior knowledge about the multilayer substrates, EllipsoNet can predict the complex refractive indices of thin films on top of these nontrivial substrates from experimentally measured optical reflectance spectra with high accuracies. This task was not feasible previously with traditional reflectometry or ellipsometry methods. Fundamental physical principles, such as the Kramers-Kronig relations, are spontaneously learned by the model without any further training. This approach enables in-operando optical characterization of functional materials within complex photonic structures or optoelectronic devices.

연구 동기 및 목표

• 복잡한 다층 기반 위에 있는 얇은 필름의 광학 굴절률 측정을 위한 저비용이고 접근 가능한 방법을 개발하는 것.
• 기존의 반사율 측정법과 굴절률 측정법이 비틀림이 있는 기반에서 그들의 광학적 성질에 대한 사전 지식 없이 다루는 데에 한계가 있음을 극복하는 것.
• 최소한의 장비로도 광학적 및 전자기기 기반의 기능성 재료의 작동 중 측정을 가능하게 하는 것.
• 딥러닝을 활용하여 데이터에서 Kramers-Kronig 관계와 같은 기본 물리적 제약을 암묵적으로 학습하는 것.

제안 방법

• 실험적으로 측정된 반사 스펙트럼을 얇은 필름의 복소 굴절률로 매핑하는 데 목적이 있는 딥 네ural 네트워크인 EllipsoNet을 개발한다.
• 다층 얇은 필름 구조에서 빛의 상호작용을 엄밀한 물리 모델을 사용해 생성한 시뮬레이션 데이터로 모델을 훈련시킨다.
• 손실 함수를 통해 인과성 및 에너지 보존과 같은 물리적 일관성을 보장하기 위해 아키텍처를 설계한다.
• 기반의 물리적 성질에 대한 명시적 사전 지식이 필요 없으며, 추론 과정에서 모델이 기반의 광학 상수를 자율적으로 추론한다.
• 훈련 안정성과 일반화 능력을 향상시키기 위해 잔차 연결과 정규화 레이어를 네트워크 아키텍처에 통합한다.
• Kramers-Kronig 관계와 같은 물리 원리는 명시적 정규화 없이도 훈련 과정에서 암묵적으로 학습된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 반사 스펙트럼만으로도 복잡한 다층 기반 위에 있는 얇은 필름의 복소 굴절률을 정확하게 복원할 수 있는가?
• RQ2 신경망은 Kramers-Kronig 관계와 같은 기본 물리적 제약을 명시적으로 훈련시키지 않더라도 어느 정도까지 암묵적으로 학습할 수 있는가?
• RQ3 기본 광학 현미경을 딥러닝을 통해 고정밀 굴절률 측정 장비로 재활용할 수 있는가?
• RQ4 기반의 구조가 알려지지 않았거나 매우 이질적인 경우 모델의 성능은 어떻게 되는가?
• RQ5 이 방법은 실시간 장치 내 기능성 재료의 작동 중 광학 모니터링을 가능하게 할 수 있는가?

주요 결과

• EllipsoNet은 표준 광학 현미경에서 측정한 반사 스펙트럼만으로도 다층 기반 위에 있는 얇은 필름의 복소 굴절률을 고정밀도로 예측한다.
• 훈련 과정에서 Kramers-Kronig 관계가 암묵적으로 학습되어, 명시적 강제 조건 없이도 물리적으로 일관된 결과를 보장한다.
• 기존의 기반 광학 성질에 대한 사전 지식이나 복잡한 장비 없이도 굴절률 측정이 가능하다.
• 다양한 기반 구성 조건에 대해 강건하며, 동적인 광학 과정의 작동 중 모니터링에 적용 가능하다.
• 나노기술, 마이크로전자공학, 고도화된 제조 분야에서 실시간, 저비용 광학 특성 분석의 큰 잠재력을 보여준다.