[論文レビュー] EllipsoNet: Deep-learning-enabled optical ellipsometry for complex thin films

Ziyang Wang, Yuxuan Lin+3 more|arXiv (Cornell University)|Oct 11, 2022

Optical Polarization and Ellipsometry被引用数 5

ひとこと要約

EllipsoNetは、標準的な光学顕微鏡と反射分光スペクトルのみを用いて、複雑な多層基板上に形成された薄膜の複素屈折率を正確に、現地で決定するためのディープラーニングフレームワークを導入する。Kramers-Kronig関係のような物理的制約を暗黙的に学習することにより、事前の基板知識や専用の装置を必要とせず、高い精度の偏光測定による特性評価を実現する。

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.

研究の動機と目的

• 複雑な多層基板上に形成された薄膜の光学的偏光測定を、低コストかつ容易に実施できる手法の開発。
• 従来の反射分光法や偏光測定法が、基板の光学的性質を事前に把握しない場合に直面する制限を克服すること。
• 最小限の装置で、光通信およびオプトエレクトロニクスデバイス内の機能材料の動作中にリアルタイムで特性評価を可能にすること。
• ディープラーニングを活用し、Kramers-Kronig関係のような基本的な物理的制約をデータから暗黙的に学習すること。

提案手法

• 実験的に測定された反射分光スペクトルから薄膜の複素屈折率を予測するための深層ニューラルネットワーク、EllipsoNetを訓練する。
• 多層薄膜構造における光の相互作用を厳密にモデル化した物理的モデルを用いて生成された合成データでモデルを学習させる。
• 因果関係やエネルギー保存則などの制約を損失関数を通じて学習させることで、物理的に整合性のある結果を保証するアーキテクチャを設計する。
• 基板の性質に関する明示的な事前知識は不要であり、推論時にモデルが基板の光学定数を自己推定する。
• 訓練の安定性と一般化性能を向上させるために、残差接続と正規化層をネットワークアーキテクチャに組み込む。
• Kramers-Kronig関係のような物理的原則は、明示的な正則化を施さずに、トレーニング中に暗黙的に学習される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、反射分光スペクトルのみを用いて、複雑な多層基板上に形成された薄膜の複素屈折率を高精度に復元できるか？
• RQ2 ニューラルネットワークは、それらの関係を明示的に学習させない場合でも、Kramers-Kronig関係のような基本的物理的制約をどの程度学習できるか？
• RQ3 一般の光学顕微鏡をディープラーニングによって、高精度な偏光測定に再利用できるか？
• RQ4 基板構造が未知または極めて不均一な場合、モデルの性能はどの程度保たれるか？
• RQ5 この手法により、実デバイス内での機能材料の動作中にリアルタイムで光学的モニタリングが可能になるか？

主な発見

• EllipsoNetは、標準的な光学顕微鏡からの反射分光スペクトルのみを用いて、多層基板上に形成された薄膜の複素屈折率を高精度に予測する。
• トレーニング中にKramers-Kronig関係が暗黙的に学習され、明示的な制御を施さなくても物理的に整合性のある結果が得られる。
• 基板の光学的性質に関する事前の知識や複雑な装置を必要とせず、偏光測定による特性評価が可能になる。
• 多様な基板構成に対して頑健であり、動的光学プロセスのイン・オペランド監視に応用可能である。
• ナノテクノロジー、マイクロエレクトロニクス、高度製造分野におけるリアルタイムで低コストな光学的特性評価の可能性を示している。