光刻涉及操纵光以在表面上精确蚀刻特点，通常用于制造计算机芯片和光学设备(例如透镜)。但制造过程中的微小偏差往往会导致这些设备达差点设计者的意图。
为了帮助缩小设计与制造之间的差距，麻省理工学院和香港中文大学的研究人员利用机器学习构建了壹个SIM特定光刻制造过程的数字SIM器。
他们的技术利用从光刻系统收集的真正数据，因此可以更准确地SIM系统怎么制造设计。
研究人员将该SIM器与另壹个数字SIM器集成到设计框架中，该数字SIM器SIM所制造设备在下游任务中的性能，例如运用计算相机生成图像。这些连接的SIM器运用户能够生产出更符合其设计并达到完美任务性能的光学设备。
这项技术可以帮助科学家和工程师为移动相机、增强现实、医学成像、娱乐和电信等应用创建更准确、更高效的光学设备。由于学习数字SIM器的步骤利用了真正世界的数据，因此它可以应用于广泛的光刻系统。
“这个想法听起来很简单，但人们之前没有试试过的原因是真正数据也许很昂贵，而且怎么有效协调软件和硬件来构建高保真数据集还没有先例，”程正说，一名机械工程研究生，是一篇描述该工作的放开获得论文的共同主要作者。
“大家承担了风险并进行了广泛的寻觅，例如，开发和试试表征工具和数据寻觅攻略，以确定工作方案。结果出人意料地好，表明真正数据比由分析方程组成的SIM器生成的数据更有效、更精确。尽管这也许很昂贵，而且一最初也许会让人感到无能为力，但这是值得做的。”
郑与共同主要作者、香港中文大学研究生赵光远共同撰写了这篇论文。和她的导师PeterT.So，麻省理工学院机械工程和生物工程教授。该研究将在SIGGRAPH亚洲会议上展示。
用光打印
光刻涉及将光图案投射到表面上，这会引起化学反应，将特点蚀刻到基板上。然而，由于光衍射的微小偏差和化学反应的微小变化，所制造的设备最终的图案略有不同。
由于光刻技术复杂且难以建模，因此许多现有的设计方式都依赖于物理学推导的方程。这些通用方程向出了制造过程的一些意义，但无法捕获光刻系统特有的全部偏差。这也许会导致设备在现实世界中表现不佳。
对于他们称之为神经光刻的技术，麻省理工学院的研究人员运用基于物理的方程作为基础构建了光刻SIM器，然后结合了壹个根据用户光刻系统的真正实验数据进行训练的神经网络。这种神经网络是一种松散地基于人脑的机器学习模型，可以学习补偿系统的许多特定偏差。
研究人员通过生成涵盖各种特点尺寸和形状的许多设计来收集他们的方式的数据，并运用光刻系统制造这些设计。他们测量最终结构并将其与设计规范进行相对，将这些数据配对并运用它们为数字SIM器训练神经网络。
“学习SIM器的性能取决于输入的数据，而根据方程人工生成的数据无法涵盖现实世界的偏差，这就是为啥拥有现实世界的数据很重要，”郑说。
双SIM器
数字光刻SIM器由两个独立的组件组成：壹个光学模型，用于捕获光怎么投射到设备表面;以及壹个抗蚀剂模型，用于显示光化学反应怎么发生以在表面上产生特点。
在下游任务中，他们将这个学习的光刻SIM器连接到基于物理的SIM器，该SIM器预测制造的设备将怎么执行此任务，例如衍射透镜将怎么衍射照射到它的光。
用户指定他们希望设备实现的结果。然后，这两个SIM器在壹个更大的框架内协同工作，给用户展示怎么进行设计以达到这些性能目标。
“通过大家的SIM器，所制造的物体可以在下游任务中获取完美性能，例如计算相机，这是一项有前景的技术，可以使未来的相机小型化且功能更强大。大家表明，即使您运用后校准来试试获取更好的结果，它仍然不如大家的光刻模型在循环中那么好，”赵补充道。
他们通过制造全息元件来测试这项技术，当光线照射到全息元件上时，该元件会生成蝴蝶图像。与运用其他技术设计的设备相比，他们的全息元件产生了近乎最佳的蝴蝶，与设计更加匹配。他们还生产了多级衍射透镜，其图像质量比其他设备更好。
未来，研究人员希望增强他们的算法来SIM更复杂的设备，并运用消费相机测试该系统。此外，他们希望扩展他们的方式，使其可以与不同类型的光刻系统一起运用，例如运用深紫外光或极紫外光的系统。