[논문 리뷰] Phase-probability shaping for speckle-free holographic lithography

Dong Zhao, Weiwei Fu외 3명|arXiv (Cornell University)|2022. 11. 18.

Digital Holography and Microscopy인용 수 4

한 줄 요약

이 논문은 복소수 간섭에 의한 랜덤한 강도 변동으로 인해 발생하는 스펙클 노이즈를 제거하기 위해 인코딩된 위상의 확률 분포를 좁힘으로써 허브로그래픽 리소그래피에서 균일한 광간섭을 실현하는 단계-확률 형상화(Phase-Probability Shaping)를 제안한다. 기계학습 기반의 확률 형상화(MAPS) 방법을 사용하여 저스펙클 대비율(C = 0.08)과 기록된 가장 날카운 에지 뚜렷함(~1000 mm⁻¹)을 달성함으로써, 복잡한 구조물인 복소광학 격자 및 2차원 무작위 바코드와 같은 임의의 형상 패턴을 고정밀도로 제작할 수 있게 되었다.

ABSTRACT

Optical holography has undergone rapid development since its invention in 1948, but the accompanying speckles with randomly distributed intensity are still untamed now due to the fundamental difficulty of eliminating intrinsic fluctuations from irregular complex-field superposition. Despite spatial, temporal and spectral averages for speckle reduction, it is extremely challenging to reconstruct high-homogeneity, edge-sharp and shape-unlimited images via holography. Here we predict that holographic speckles can be removed by narrowing the probability density distribution of encoded phase to homogenize optical superposition. Guided by this physical insight, a machine-learning-assisted probability-shaping (MAPS) method is developed to prohibit the fluctuations of intensity in a computer-generated hologram (CGH), which empowers the experimental reconstruction of irregular images with ultralow speckle contrast (C=0.08) and record-high edge sharpness (~1000 mm-1). It breaks the ultimate barrier of demonstrating high-end CGH lithography, thus enabling us to successfully pattern arbitrary-shape and edge-sharp structures such as vortex gratings and two-dimensional random barcodes.

연구 동기 및 목표

• 복소수 필드 간섭으로 인한 랜덤한 강도 변동으로 인해 발생하는 광학 허브로그래피에서의 스펙클 노이즈라는 근본적 과제를 해결하기 위해.
• 컴퓨터 생성 허브로그래피(CGH)에서 고균일성, 날카운 에지, 형상 제한 없음이 가능한 이미지 재구성을 가능하게 하는 방법을 개발하기 위해.
• 스펙클을 제거하면서도 구조의 정밀도와 해상도를 유지함으로써 CGH 리소그래피의 성능 장벽을 돌파하기 위해.
• 복소광학 격자 및 2차원 무작위 바코드와 같은 복잡한 구조물의 고정밀도, 임의의 형상, 고정밀 나노구조를 실험적으로 실현하기 위해.

제안 방법

• 핵심 방법은 인코딩된 위상의 확률밀도함수(PDF)를 형상화하여 변동을 줄이고, 이로 인해 광간섭을 균일화하며 스펙클을 억제하는 데 있다.
• 재구성된 이미지의 강도 분산을 최소화하는 위상 분포를 최적화하기 위해 기계학습 기반의 확률 형상화(MAPS) 프레임워크를 개발하였다.
• 위상 PDF를 재구성된 강도 통계치로 매핑하는 미분 가능 도구를 사용하여 최적의 위상 분포를 위한 엔드 투 엔드 훈련을 가능하게 하였다.
• 이 방법은 스펙클을 최소화하고 고대비, 날카운 에지의 패턴을 생성하는 컴퓨터 생성 허브로그래피(CGH)를 설계하는 데 적용되었다.
• 제어된 조명 조건 하에서 공간 광학 모듈(SLM)을 사용하여 복잡한 패턴을 재구성함으로써 실험적 검증을 수행하였다.

실험 결과

연구 질문

• RQ1 인코딩된 위상의 확률 분포를 좁힘으로써 허브로그래픽 재구성에서 스펙클을 효과적으로 억제할 수 있는가?
• RQ2 기계학습을 통해 CGH에서 강도 변동을 최소화할 수 있도록 위상 분포를 얼마나 효과적으로 최적화할 수 있는가?
• RQ3 제안된 방법은 임의의 패턴 생성에서 초저스펙클 대비율과 고에지 뚜렷함을 동시에 달성할 수 있는가?
• RQ4 이 방법을 통해 복소광학 격자 및 2차원 바코드와 같은 복잡한 형상 제한 없는 나노구조를 최소한의 스펙클로 제작하는 것이 가능한가?

주요 결과

• 이 방법은 C = 0.08의 스펙클 대비율을 달성하여 전통적 허브로그래피에 비해 현저한 감소를 보였다.
• 실험적으로 약 1000 mm⁻¹의 기록적인 날카운 에지 뚜렷함을 입증하여 패턴화된 구조물에서 마이크로미터 이하의 해상도를 실현하였다.
• 이 기술은 복소광학 격자 및 2차원 무작위 바코드와 같은 임의의 형상의 구조를 고정밀도로 제작하는 데 성공하였다.
• 기계학습 기반의 확률 형상화(MAPS) 프레임워크는 위상 PDF를 제어함으로써 강도 변동을 효과적으로 억제하여 물리적 통찰을 검증하였다.