基于深度学习的光学散射测量技术

摘要：

在先进光学制造中，对纳米尺度光栅微结构参数进行无损高精度测量，一直是传统技术面临的重大挑战。本文提出了一种新型光学散射测量系统，用于光栅微结构参数的无损高精度测量。该系统将定制设计的双光束散射仪与专用的深度学习架构相结合，该架构名为 ASPCNN（自适应自校准物理约束卷积神经网络），作为分析引擎。仪器采用参考光束设计以增强稳定性。与此同时，ASPCNN 模型通过自适应感受野融合（ARFF）模块提取多尺度特征，并利用自校准残差注意力（SCRA）模块实现抗噪声的鲁棒表示，从而能够从衍射光谱中快速反演参数。物理约束损失函数确保预测结果符合物理可行性。实验结果表明，该方法具有亚纳米级精度，决定系数R²> 0.99，性能优于 ResNet、U-Net 等现有模型。该分析引擎的单样本推理时间仅为 9.07 ms，实现了实时计量能力。此项工作为智能、高速、无损的光学计量建立了新范式，为光栅微结构的工业计量提供了稳健的解决方案。

1. 引言

脉冲压缩光栅的设计与应用在超快脉冲激光系统中起着至关重要的作用。脉冲压缩技术通过控制光栅周期、槽深、槽宽等结构参数，并结合入射角和光波长，能够实现不同波长光的精确分离与汇聚。该方法可压缩脉冲持续时间，并提高激光的峰值功率和能量密度。然而，对这些纳米尺度特征进行实时、无损、高精度的测量，在制造质量控制中仍然是一个重大挑战。脉冲压缩的效率和精度由光栅的衍射特性决定，因此对微结构参数的精确测量至关重要。

在先进光学制造领域，对纳米级光栅微结构参数进行精确而无损的测量，依然是一项重大挑战。传统测量技术通常分为两大类。第一类是基于物理的反演方法，包括严格耦合波分析（RCWA）和时域有限差分（FDTD）算法。具体而言，RCWA 或 FDTD 的正向过程是根据光栅的设计几何结构推导出 -1 级衍射效率；而逆向过程则在理论上根据已知的衍射效率重建光栅的几何形貌。尽管这些方法应用广泛，但它们的计算量大，且对建模假设高度敏感。第二类方法是实验性的高分辨率显微技术，包括扫描电子显微镜（SEM）和原子力显微镜（AFM）。这些方法虽然能够达到高精度，但往往伴随着可能损伤样品、设备成本高昂、测量速度慢等缺点。这些局限性阻碍了它们在工业在线测量系统中的应用。

双束测量系统的示意图

鉴于这些限制，显然需要新型仪器和测量技术，以提供快速、精确且无损的表征，从而支持工业质量控制和过程监控。近年来，将光学散射测量与深度学习相结合已成为一个颇具前景的方向。这类混合方法能够学习实验数据（如衍射光谱）与目标测量值之间的复杂映射关系，从而为传统物理反演模型提供了一种范式转变。

已有多项研究对此方向进行了探索。例如，文献介绍了一种无损算法，通过直接利用负一级衍射效率，实现表面浮雕光栅参数的快速精确测量，从而避免了将数据转换为图像格式。另一项研究提出了一种两步法，以增强对极紫外光刻（EUVL）收集器上变形光栅结构的计量能力。然而，该工作中采用的标量衍射模型计算量较大，不太适合工业检测。文献描述的系统利用光谱散射仪结合人工神经网络（ANN），实现了多个参数的快速并行测量。该研究的一个局限性是缺少与其他深度学习模型的对比分析。

尽管取得了这些进展，传统的深度学习框架往往难以捕捉光谱数据中固有的多尺度空间关系，并且可能无法充分利用深度神经网络的特征提取能力。卷积神经网络（CNN）凭借其强大的特征提取能力，在计算机视觉领域表现出色。近期的研究也将 CNN 应用于从光谱数据中预测光学元件参数。然而，大多数现有方法采用固定的感受野，缺乏处理衍射信号中尺度变化的适应机制。此外，标准 CNN 通常对空间特征施加均匀的权重，这可能导致数据中细微但关键的区域被忽略。视觉识别研究的进展为应对这些挑战提供了潜在的解决方案。例如，自适应感受野融合模块通过动态调整卷积核尺寸，在捕捉多尺度特征方面已显示出有效性。包括通道注意力和空间注意力在内的注意力机制，能够使网络重新校准特征图并聚焦于语义上重要的信息，从而提高精度和鲁棒性。残差连接有助于深度网络架构中的高效信息流动，而自校准技术则允许利用中间特征表示对注意力图进行动态优化。

双束测量系统的方法

尽管如此，很少有深度学习研究深入探讨将光谱数据转换为类图像表示以进行分析的问题。此外，传统的接触式测量技术依然受制于破坏性、高成本和低效率等问题。为应对这些挑战，本文对光学仪器与测量领域提出了若干关键贡献。首先，提出了一种经过优化的双光束散射测量仪器的设计与实现，旨在提高稳定性和测量精度。其次，引入了一种新颖的深度学习驱动分析引擎，作为仪器的计算核心，能够实现高速的参数反演。第三，通过将所提出测量系统的性能与原子力显微镜（AFM）——被广泛视为无损纳米计量标准的仪器——进行对比，对所提系统进行了严格的实验验证。