[论文解读] Optimizing directed self-assembled morphology

Jian Qin, Gurdaman Khaira+5 more|arXiv (Cornell University)|Aug 2, 2013

Block Copolymer Self-Assembly参考文献 1被引用 3

一句话总结

本文提出了一种计算框架，结合Cahn-Hilliard方程模拟嵌段共聚物的平衡形态，以及协方差矩阵自适应进化策略（CMA-ES）优化化学基底图案，以实现定向自组装。该方法能高效设计稀疏、非平凡的图案，引导层状结构形成的二嵌段共聚物形成复杂的目标形态（如字母'M'和'E'），显著减少试错过程，仅需单核处理器在8小时内完成收敛。

ABSTRACT

Directed assembly of block polymers is rapidly becoming a viable strategy for lithographic patterning of nanoscopic features. One of the key attributes of directed assembly is that an underlying chemical or topographic substrate pattern used to direct assembly need not exhibit a direct correspondence with the sought after block polymer morphology, and past work has largely relied on trial-and-error approaches to design appropriate patterns. In this work, a computational evolutionary strategy is proposed to solve this optimization problem. By combining the Cahn-Hilliard equation, which is used to find the equilibrium morphology, and the covariance-matrix evolutionary strategy, which is used to optimize the combined outcome of particular substrate-copolymer combinations, we arrive at an efficient method for design of substrates leading to non-trivial, desirable outcomes.

研究动机与目标

• 为解决设计最优稀疏化学图案以引导嵌段共聚物形成非平凡、非周期性形态（且无直接几何对应关系）的挑战。
• 克服在定向自组装图案设计中试错法或随机搜索方法效率低下的问题。
• 开发一种系统化、计算高效的逆向设计方法，用于生成期望嵌段共聚物形态的基底图案。
• 通过仅使用最少数量的基底点，证明该方法在复杂目标图案（如'I'、'M'和'E'）上的有效性。
• 通过通用且可扩展的框架，实现对更大系统和多样化形态的可扩展、可并行化优化。

提出的方法

• 使用Cahn-Hilliard（CH）方程基于Ginzburg-Landau自由能泛函，模拟二嵌段共聚物的平衡形态。
• 采用Ohta-Kawasaki模型描述强分离区的自由能，引入Flory-Huggins相互作用参数χ和聚合度N。
• 应用CMA-ES优化算法搜索最优基底点配置，以最小化衡量模拟平衡形态与目标形态偏差的适应度函数。
• 将适应度函数定义为实空间中模拟平衡形态与目标形态之间的L2范数差异。
• 在基底上使用固定数量的圆形点，以位置作为优化变量，实现图案插值。
• 通过矩阵-向量运算实现CH求解器的并行化，通过独立种群实现CMA-ES的并行化，从而提升计算效率。

实验结果

研究问题

• RQ1 计算优化策略能否高效设计稀疏化学图案，引导嵌段共聚物形成复杂、非周期性形态？
• RQ2 与随机搜索或试错法相比，CMA-ES算法在基底图案设计中的收敛速度和解质量表现如何？
• RQ3 在优化基底条件下，Cahn-Hilliard模型在预测复杂目标图案的平衡形态方面有多准确？
• RQ4 优化结果对初始配置的敏感性如何？集合平均是否可降低此依赖性？
• RQ5 该框架能否通过可扩展的并行化方法扩展至其他形态和更大系统尺寸？

主要发现

• CMA-ES算法成功优化了基底图案，仅使用最少数量的圆形点即实现了目标形态（如'I'、'M'和'E'）。
• 对于适度系统尺寸（~2L₀ × 2L₀），在单核处理器上约8小时内实现最优解收敛。
• 该方法在不同目标图案下表现出鲁棒性，使用相同参数集时，'I'、'M'和'E'图案均表现出相似的收敛行为。
• 基于实空间形态差异的适应度函数有效引导优化过程，实现低误差解。
• 采用不同初始配置的多次优化得到一致结果，表明在使用集合平均时，对初始化的敏感性较低。
• 该框架具有天然的可并行性，CH求解器与CMA-ES种群评估均可通过分布式计算实现扩展，适用于更大系统。