基于超快光声技术与人工智能的多层薄膜纳米级表征方法研究

针对半导体多层薄膜纳米级表征的精度与效率瓶颈，研究人员创新性地将超快光声技术（Ultrafast photoacoustic）与人工智能（AI）相结合，开发了VMD-BPNN和AlexNet混合算法，实现了SiO2/LiNbO3多层膜及GaAs/AlAs超晶格的厚度与晶向自动化高精度检测，为集成电路和生物医学成像提供了新型无损检测方案。

　　

在半导体和生物医学领域，纳米级多层薄膜的精确表征一直是技术瓶颈。传统方法如透射电镜（TEM）存在破坏性缺陷，而椭偏仪等光学技术难以应对复杂多层结构。随着微电子器件向微型化发展，薄膜厚度和晶向的纳米级偏差可能直接影响器件性能，亟需一种兼具高精度、非破坏性和自动化能力的检测技术。

中国的研究团队提出了一种革命性解决方案：将超快光声技术与人工智能深度融合。超快光声技术通过皮秒激光激发相干声学声子（CAPs），可探测纳米级结构特征，但信号解析依赖复杂的人工经验。为此，研究人员构建了物理模型驱动的数据集，并创新性地开发了变分模态分解（VMD）与反向传播神经网络（BPNN）的混合算法，有效解决了传统经验模态分解（EMD）的模态混叠问题。对于更复杂的多层结构，采用AlexNet框架结合连续小波变换（CWT）进行时频特征分析，实现了从少数层到超晶格的全尺度表征。

关键技术包括：1）基于光声理论模型的数据生成与噪声注入增强；2）VMD-BPNN算法用于少层薄膜信号解耦；3）AlexNet-CWT处理多层时频特征。实验样本涵盖SiO₂/Si、Y切型铌酸锂（LiNbO₃）及GaAs/AlAs超晶格，数据来源于理论模拟与实验验证相结合。

研究结果显示：
预测少层薄膜
对480nm SiO₂/Si和300nm LiNbO₃的测试表明，VMD-BPNN能将厚度预测误差控制在±0.3nm内，较传统FFT方法精度提升10倍。时域布里渊振荡（Brillouin oscillation）特征被成功提取，验证了算法对透明薄膜的适用性。

超晶格结构解析
AlexNet-CWT模型对GaAs/AlAs超晶格的层间厚度预测误差<1.2%，首次实现了亚纳米级晶体取向（如[001]方向）的自动化识别，为量子器件开发提供新工具。

这项发表于《Ultrasonics》的研究标志着纳米表征技术的智能化突破。通过物理模型与AI的协同创新，不仅解决了传统方法效率低、误差大的问题，更开创了复杂纳米结构断层检测的新范式。该技术可实时监控集成电路制造过程，并在生物医学成像领域展现潜力，例如对生物分子薄膜的无损动态监测。研究团队特别指出，该方法无需依赖椭偏仪数据，直接建立光声信号与材料特性的关联，为未来智能检测设备的开发奠定了理论基础。