[论文解读] 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 5

一句话总结

EllipsoNet 提出了一种深度学习框架，仅使用标准光学显微镜和反射光谱，即可实现对复杂多层基底上薄膜的复杂折射率的精确、原位测定。通过隐式学习如 Kramers-Kronig 关系等物理约束，该方法在无需事先了解基底信息或专用仪器的情况下，实现了高精度的椭偏表征。

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.

研究动机与目标

• 开发一种低成本、易获取的方法，用于复杂多层基底上薄膜的光学椭偏表征。
• 克服传统反射率测量和椭偏法在处理非平凡基底时的局限性，而无需事先了解其光学性质。
• 通过最少的仪器配置，实现在光子和光电设备中功能材料的原位表征。
• 利用深度学习隐式学习基本物理约束（如 Kramers-Kronig 关系）

提出的方法

• 训练一个深度神经网络 EllipsoNet，将实验测得的反射光谱映射为薄膜的复折射率。
• 模型在使用光与多层薄膜结构相互作用的严格物理模型生成的合成数据上进行训练。
• 通过损失函数设计，使网络架构隐式强制满足因果性与能量守恒等物理一致性约束。
• 无需显式提供基底性质的先验知识；模型在推理过程中可自行推断基底光学常数。
• 网络架构中引入残差连接和归一化层，以提升训练稳定性和泛化能力。
• 物理原理（如 Kramers-Kronig 关系）在训练过程中被隐式学习，无需显式正则化。

实验结果

研究问题

• RQ1 深度学习模型能否仅从反射光谱中准确反演复杂多层基底上薄膜的复折射率？
• RQ2 神经网络在未显式训练于这些关系的情况下，能在多大程度上隐式学习如 Kramers-Kronig 关系等基本物理约束？
• RQ3 能否通过深度学习将普通光学显微镜改造为高精度椭偏表征工具？
• RQ4 当基底结构未知或高度异质时，该模型的性能如何？
• RQ5 该方法能否实现对实际器件中功能材料的原位光学监测？

主要发现

• EllipsoNet 仅使用标准光学显微镜获取的反射光谱，即可对多层基底上薄膜的复折射率实现高精度预测。
• 模型在训练过程中隐式学习了 Kramers-Kronig 关系，确保结果具有物理一致性，而无需显式强制约束。
• 该方法无需事先了解基底光学性质或复杂仪器，即可实现椭偏表征。
• 该方法在多种不同的基底构型下均表现出鲁棒性，可应用于动态光学过程的原位监测。
• 该框架在纳米技术、微电子学和先进制造领域中，展现出实现实时、低成本光学表征的巨大潜力。