AI赋能MEMS制造！上海微系统所在AI辅助DRIE蚀刻工艺优化方面取得进展
2026-04-24 16:18:01   来源：麦姆斯咨询   评论：0   点击：

深反应离子刻蚀（DRIE）对微机电系统（MEMS）中高深宽比结构的制造至关重要，然而，其复杂且高度依赖参数的工艺带来了巨大的优化挑战。人工智能（AI）提供了一种高效的优化解决方案，但其应用面临着技术挑战：如何从扫描电子显微镜（SEM）图像中获取大规模数据，而SEM图像是评估DRIE蚀刻效果的标准依据。传统的SEM分析依赖于劳动密集型的人工方法，误差率高达15-20%，阻碍了高通量工艺优化的实现。诸如卷积神经网络（CNN）和支持向量机（SVM）等现有的自动化分析方法，在噪声较大的SEM图像中准确度仅为70-80%，并且无法捕捉蚀刻结构的动态演变。

据麦姆斯咨询报道，为了克服上述局限性，中国科学院上海微系统与信息技术研究所提出了一种物理约束的变分水平集自编码器（VLSet-AE），用于自动SEM截面轮廓分析。通过整合物理蚀刻约束与三维框架（时间、线宽、蚀刻深度），VLSet-AE实现了精确的轮廓识别和九个关键尺寸的提取，平均误差为3.65%，整体模型精度为94.3%，显著优于人工标注和现有最先进的方法。与现有的七种模型（例如CNN、LSTM、ResNet等）相比，VLSet-AE实现了最短的训练时间（20秒）、最快的推理时间（1.2秒）、最高的识别准确率（96%），且内存占用（50 MB）和参数数量（400万）均具竞争。

通过为基于AI优化的DRIE刻蚀工艺实现高效、大规模的数据采集，VLSet-AE推动了可扩展的智能制造，释放了先进微加工技术的潜力。这种方法为AI驱动的MEMS工艺设计和制造提供了前瞻性框架，为未来AI辅助的微加工技术进步提供了创新解决方案。相关研究成果以“AI-driven feature recognition of SEM profiles in deep reactive ion etching based on physics-constrained variational autoencoder”为题发表于Microsystems & Nanoengineering期刊。

DRIE刻蚀工艺优化的正交试验设计

为了系统地研究DRIE中复杂的参数依赖关系，研究团队设计了16组正交试验框架；DRIE采用Bosch工艺，这是一种在蚀刻和钝化步骤之间交替进行的循环技术。该试验框架重点关注两个关键参数：蚀刻周期时间（t_e）和钝化周期时间（t_p）。正交设计确保了参数空间的全面覆盖，既捕获了DRIE刻蚀工艺固有的可变性，又生成了用于训练和评估物理约束的VLSet-AE的代表性数据集。

图1 试验数据采集与图像预处理

图2 DRIE刻蚀工艺优化的正交试验设计

VLSet-AE系统架构：物理约束与深度学习的深度融合

为了从SEM图像中准确捕获深度反应离子蚀刻（DRIE）轮廓的复杂形态特征，研究团队提出了一种物理约束的VLSet-AE（如图3a），所提出的VLSet-AE架构基于变分自编码器（VAE），其中编码器将高维SEM图像转换为紧凑的潜在表示z，解码器则将蚀刻结构重构为水平集函数𝜙(𝑥,𝑦)。与将轮廓视为像素边界的传统基于图像的重建方法不同，该方法将蚀刻轮廓解释为演化的几何界面。为了确保重构的轮廓能反映DRIE的实际物理特性，研究人员引入了Hamilton-Jacobi方程（描述界面运动的基本方程）作为解码器损失函数的约束条件。这确保了预测的水平集函数与蚀刻界面在物理上的传播方式（例如扇贝纹（scallop）状扩张、侧壁演化）保持一致，从而在含噪声或不规则的SEM图像中，不仅能实现更准确的轮廓识别，而且物理上也更具合理性。VLSet-AE架构的独特之处在于将物理约束融入解码器的损失函数中（如图3b）。

图3 用于从SEM横截面轮廓中提取特征的物理约束VLSet-AE框架

为了训练该物理约束的VLSet-AE的编码器-解码器架构，研究人员制定了复合损失函数，该函数是三个组成部分（重建损失、KL散度、物理一致性损失）的加权融合。

为了严格验证这些选择并评估每种损失分量的贡献，研究人员进行了消融研究：在保持其他系数不变的前提下，系统地改变了每个系数，同时评估其对关键性能指标的影响，包括整体轮廓识别精度、九个关键维度（扇贝纹深度、扇贝纹宽度等）的平均误差以及训练稳定性（通过收敛速度和最终损失值来衡量）。图4展示了针对VLSet-AE模型消融研究的综合分析，评估了不同损失函数系数（𝜆1，𝜆2，𝜆3）在三个关键指标上对其性能的影响。

图4 不同损失函数对VLSet-AE性能的影响

VLSet-AE框架性能测试

研究人员利用VLSet-AE模型对从SEM图像中获得的扇贝纹层进行分析，以实现精细的特征提取和形态特征表征。对于每个扇贝纹分段，水平集函𝜙(𝑥,𝑦)在该层的几何中心初始化，并进行向外动态演化，类似于充气气球的膨胀过程，如图5所示。结果显示，VLSet-AE模型能够对多段扇贝纹进行精确的轮廓识别，并重构已识别的扇贝纹段以获得完整的蚀刻轮廓，为后续的自动特征检测奠定基础。这有助于在半导体制造中进行先进形态分析和智能工艺优化。

图5 轮廓识别与演化可视化

基于通过VLSet-AE模型获得的轮廓识别结果（如图6），研究人员引入了一种三维轮廓特征识别模型，用于在时间尺度框架内表征蚀刻沟槽特征。该模型构建了三维表示空间，其中时间序列为x轴、蚀刻线宽为y轴、蚀刻深度为z轴，从而能够全面理解蚀刻工艺的动态演变。

图6 基于VLSet-AE模型的时间尺度三维蚀刻沟槽特征识别、提取与计算框架

在测量精度、识别准确率、计算效率、泛化性四大核心指标上，研究人员将VLSet-AE与人工标注、传统算法及七种主流深度学习模型（CNN、LSTM、SVM、随机森林、ResNet、GoogleNet、AttentionNet）进行了比较。结果显示，VLSet-AE具备突出优势，成为DRIE SEM图像分析的最优方案。

总结

综上所述，这项研究提出了一种物理约束的VLSet-AE，该架构革新了DRIE SEM截面轮廓的自动轮廓识别与特征提取。通过整合分层扇贝纹分段，并借助Hamilton-Jacobi方程嵌入物理蚀刻约束，VLSet-AE实现了对蚀刻轮廓的精确重建。与七种最先进的模型相比，VLSet-AE具有最高的准确率（96%±1.2%）、最短的训练时间（20秒）和最快的推理时间（1.2秒），且内存占用（50 MB）和参数数量（400万）均具竞争力。这些特性彰显了其计算效率与鲁棒性，有助于实现实时过程监控、先进的三维形态模拟以及面向AI驱动的DRIE刻蚀工艺优化的可扩展数据采集。通过突破传统SEM分析的局限性，VLSet-AE为智能、高精度微加工建立了变革性范式，预示着下一代MEMS AI驱动制造新时代的到来。

论文链接：https://doi.org/10.1038/s41378-025-01105-z

推荐培训：

《第79期“见微知著”培训课程：MEMS制造与封装技术》

延伸阅读：

《MEMS产业现状-2025版》

《下一代MEMS技术及市场-2025版》

《光学MEMS产业现状-2026版》