端到端压缩学习模型优化角度分辨散射测量采样用于纳米草缺陷检测

《IEEE Aerospace and Electronic Systems Magazine》：Optimized Sampling of Angle-Resolved Scatterometry Data Using End-to-End Compressed Learning Model for Nanograss Deficiency Detection

　　

纳米表面的可靠检测对于确保纳米结构制造质量至关重要。角度分辨散射测量（Angle-Resolved Scatterometry, ARS）提供了一种可用于在线检测的非侵入式检测方法，但常因密集角度采样而导致采集时间较长。本文针对该数据采集挑战，提出了一种端到端压缩学习（Compressed Learning, CL）框架，用于利用ARS图像对氧化锌纳米草进行五等级缺陷检测。该框架将可学习的基于纬度的采样层与卷积神经网络（Convolutional Neural Network, CNN）相结合，使得采样与分类能够在训练过程中被联合优化。采样层利用ARS图案的物理结构并学习信息丰富的纬度区域，从而减少了采样搜索空间并改善了收敛性。评估结果表明，所提方法在不同噪声条件下均实现了高且稳定的缺陷等级分类性能。使用完整ARS图像时，模型对五级缺陷分类达到94.2%的准确率，对二级分类达到98.6%的准确率。所提出的采样模型在不同噪声条件下以减少90%的角度采样点逼近全图像性能。在无噪声情形下，将采样点数量减少99.7%仅使分类准确率下降不到10个百分点。为进一步改善有限数据下的训练，研究人员还研究了基于生成对抗网络（Generative Adversarial Network, GAN）的数据增强方法，并使用GAN生成的数据进行模型预训练。该预训练加速了微调过程中的收敛。

纳米表面表征是纳米结构制造质量控制的第一步。传统技术如扫描电子显微镜（SEM）需要多步样品制备，原子力显微镜（AFM）可能因针尖-样品相互作用改变脆弱纳米结构。角度分辨散射测量（Angle-Resolved Scatterometry, ARS）是一种基于光衍射的非接触检测技术，适用于半导体制造中的在线检测，但由于需要对密集角度网格进行顺序扫描，其数据采集时间较长，限制了实际应用。现有角度散射测量方法大多依赖密集角度采样与物理重建或参数化逆向建模，计算开销大，难以实现快速、任务特定的缺陷分类决策。为此，研究人员提出了一种端到端压缩学习（Compressed Learning, CL）框架，将可学习的基于纬度的采样层与卷积神经网络（CNN）直接集成，联合优化采样模式与缺陷等级分类。在模拟数据集上的评估表明，该方法在极稀疏采样下仍能接近全图像分类性能，所用采样点减少90%以上，显著降低采集成本，对纳米结构制造中的在线质量检测具有重要意义。

研究人员开展研究时，主要采用了以下关键技术方法：使用阿姆斯特丹离散偶极近似（Amsterdam Discrete Dipole Approximation, ADDA）模拟生成氧化锌纳米草在五种缺陷等级（0%、10%、20%、40%、60%）下的ARS图像数据集，共1400张，每级280张。所提框架包含一个由180个可学习参数控制的纬度采样层，基于散射图案物理特性通过直通估计器（Straight-Through Estimator, STE）训练二值采样掩模；分类器为轻量级CNN。针对有限数据，采用条件WGAN-GP（conditional Wasserstein GAN with gradient penalty）生成类别条件ARS图像用于模型预训练。评估采用五折交叉验证，每折用1120张训练、280张测试，避免数据泄漏。

（A）使用完整ARS图像的缺陷等级分类：在无噪声、高斯噪声（信噪比20 dB和10 dB）及散斑噪声（方差0.1和0.2）条件下，CNN分类器在不同类别设置中均保持高准确率，二分类任务在各噪声条件下准确率始终高于98%，五分类任务接近90%，表明模型具有强鲁棒性。（B）使用采样ARS图像的缺陷等级分类：设置最大采样点数（N_max）为50、100、200、324、648、1620、3240（对应采样率0.15%至10%）进行实验，结果表明仅10%采样率即可达到全图像分类准确率，无噪声时5%即可；混淆矩阵显示高缺陷等级（40%、60%）在极稀疏采样下已有96%以上召回率，而低缺陷等级（0%与10%、10%与20%）之间存在持续混淆。（C）GAN生成数据的验证：采用基于主成分分析的弗雷歇距离（PCA-FD）、径向基函数最大均值差异（RBF-MMD）、多项式最大均值差异（Poly-MMD）和多尺度结构相似性指数（MS-SSIM）进行评估，显示GAN生成数据在不同采样密度下与ADDA数据统计及结构特性接近，例如全分辨率MS-SSIM为0.502，接近ADDA基线0.499，证明生成数据可用于增强。（D）端到端CL模型训练与数据增强：每个交叉验证折的GAN仅使用对应训练折的1120张ADDA图像训练，随后生成3000张增强图像用于预训练5000周期，再冻结采样层并微调分类网络500周期。实验显示，预训练加速了收敛，N_max=100时前两折在10和7个微调周期内分别达到86.07%和84.29%的测试准确率；N_max=200时各折最大准确率稳定在85.00%至86.43%之间。

讨论部分指出，与随机采样和确定性等间距采样基线相比，所提方法在稀疏采样下优势明显，例如仅50个采样点时准确率达81.21%，而随机和等间距分别为61.34%和54.64%。与先前基于粒子群优化（PSO）和线性判别分析（LDA）的压缩学习方法相比，在低采样预算下准确率更高。学习到的采样模式集中在极区和特定纬度弧，并呈对称分布，说明采样策略具有可解释性。ARS图案存在空间冗余，少量信息丰富采样点即可实现高分类性能。WGAN-GP训练耗时约80小时，但属离线过程，不影响部署时的采集与分类。未来需使用真实ARS测量数据验证，并可能扩展到其他纳米结构及实时自适应采样。

研究结论可翻译为：本文提出了一种端到端深度学习框架，用于利用ARS数据检测ZnO纳米草中的缺陷等级。该框架将CNN分类器与可学习采样层相结合，联合优化采样与缺陷分类。为减少采样搜索空间，基于散射测量图案的物理行为引入了纬度采样策略。方法在包含五种缺陷等级和不同噪声设置的模拟数据集上进行了评估，结果表明分类模型准确且鲁棒。采样模型以非常小的采样率实现了高准确率，并仅使用数据的5%至10%即达到全图像准确率。此外，基于WGAN-GP的数据增强通过多种指标验证并用于预训练，增强了数据有效性并加速了模型收敛。总体而言，结果证实了该方法高效、准确，适用于纳米表面散射测量中的缺陷检测。