综述:椭圆偏振法中的人工智能:方法、挑战与机遇 格拉齐亚·朱塞皮娜·波利塔诺(Grazia Giuseppina Politano)

《Crystals》:Artificial Intelligence in Ellipsometry: Methods, Challenges, and Opportunities Grazia Giuseppina Politano

【字体: 大 中 小 】 时间:2026年05月07日 来源:Crystals 2.4

编辑推荐:

  摘要 光谱椭圆偏振法(SE)是一种广泛用于获取薄膜厚度、光学常数、表面粗糙度和组成信息の非破坏性光学技术。尽管其具有 versatility 和高灵敏度,但传统的 SE 分析通常依赖于参数化光学模型的迭代非线性回归,这需要大量的计算资源,对专家干预依赖性强,并且经常受到收敛性和非

  摘要
光谱椭圆偏振法(SE)是一种广泛用于获取薄膜厚度、光学常数、表面粗糙度和组成信息の非破坏性光学技术。尽管其具有 versatility 和高灵敏度,但传统的 SE 分析通常依赖于参数化光学模型的迭代非线性回归,这需要大量的计算资源,对专家干预依赖性强,并且经常受到收敛性和非唯一性问题的影响。近年来,人工智能(AI)作为一种有前景的方法出现了,用于克服这些限制。本综述总结了 AI 驱动的椭圆偏振法取得的最新进展,涵盖了传统的机器学习(ML)方法(如人工神经网络(ANNs)、支持向量回归(SVR)和支持向量机(SVMs),以及深度学习(DL)架构(包括卷积神经网络(CNNs))。还讨论了在半导体、钙钛矿和生物传感中的典型应用。总体而言,本综述强调了 AI 在下一代椭圆偏振表征中的机会和当前的限制。

1. 引言
光谱椭圆偏振法(SE)[1] 是一种非破坏性的光学技术 [2],通过测量光从样品反射或透射时的偏振状态变化,提供关于光学常数(折射率 n 和消光系数 k)、薄膜厚度、表面粗糙度和组成性质 [3] 的信息。由于其高灵敏度、亚纳米级精度以及与原位监测的兼容性 [10],SE 在材料科学 [4]、半导体制造 [5]、薄膜 [6]、厚膜 [7]、聚合物薄膜 [8] 和生物医学诊断 [9] 中变得不可或缺。然而,传统的 SE 数据分析 [11] 依赖于将实验光谱拟合到参数化光学模型的迭代非线性回归方法,这一过程计算量大,需要专家知识来定义适当的模型和初始参数 [12],并且经常面临解的非唯一性和收敛性问题 [13]。此外,常规方法(如 Levenberg–Marquardt(LM)算法 [14])通常计算要求高,在处理大型数据集或高分辨率图时变得不切实际。
解决上述逆椭圆偏振问题的经典方法是非线性回归分析(NRA),如参考文献 [15] 所述。AI 驱动的方法提供了几个显著的优势,包括:(1)无需手动建模即可自动提取参数;(2)与传统迭代拟合程序相比速度大幅提高;(3)在多样化的测量条件下具有更好的泛化能力;(4)能够处理对传统分析方法具有挑战性的非理想或复杂结构 [15]。早在 1990 年代,人们就已经尝试将人工神经网络(ANNs)整合到椭圆偏振数据分析中,作为加速逆问题求解的策略。特别是在 1990 年代,Fried 等人 [16] 和 Rédei 等人 [17] 使用 ANN 来评估复杂层结构的完整光谱椭圆偏振(宽带 Ψ, Δ 光谱),包括通过氧离子注入制造的硅在绝缘体(SIMOX)结构。反向传播神经网络(BPNs),作为一种前馈 ANN,可以直接对应于物理参数(n, κ, d)。在同一时期,Urban 及其同事 [18,19,20] 使用 ANN 加快了单波长或多波长椭圆偏振的评估,用于单层生长的原位监测。这篇全面的文献综述综合了 AI 在椭圆偏振法中的最新进展,并进一步探讨了包括半导体、二维材料、钙钛矿和生物传感平台在内的广泛应用领域,突显了 AI 驱动椭圆偏振分析的多功能性。本综述旨在提供关于 AI 在椭圆偏振法中潜力的广泛而批判性的概述,重点关注其机会、应用领域和当前挑战,而不是对每个计算框架的全面技术描述。有关深入的方法和实现细节,读者可以参考原始研究文章。

2. 椭圆偏振法理论
椭圆偏振测量提供了两个基本参数 Ψ 和 Δ,这两个参数都取决于波长和入射角。这些量定义为
(1)
(2)
参数 Ψ 与反射的 p-偏振光和 s-偏振光分量之间的振幅比有关,其范围在 0° 到 90° 之间。相比之下,Δ 表示这两种分量在反射时的相位差,其值范围从 0° 到 360°。这里,p-偏振位于入射平面内,而 s-偏振垂直于该平面。
椭圆偏振分析中的一个核心量是复反射率比,定义为
(3)
大写字母 R 表示反射系数考虑了样品的完整光学响应,样品可能由多层和/或异质组成。这一特性使得椭圆偏振法能够有效地探测粗糙表面和复合材料。图 1 中示意性地展示了椭圆偏振的基本配置。
图 1. (a) 椭圆偏振系统。引用自 [12]。(b) 示意图显示单色偏振光束以入射角 ~? 接近并与空气中的材料介质相互作用。引用自 [21]。
分析从实验测量开始,然后应用基于菲涅尔方程的光学模型来模拟预期的响应,使用估计或已知的参数。然后,将生成的数据与实验结果进行比较,通常使用均方误差(MSE)来评估拟合的质量。通过迭代拟合过程,可以获得关键的光学参数,如折射率(n)和消光系数(k)。此外,还可以从分析中提取其他性质,包括表面粗糙度。
关于 SE 的理论原理、建模策略和数据分析程序的更多细节,请参阅作者为初学者编写的综述 [21]。此外,建议读者查阅 SE 领域专家撰写的高级文章 [22,23]。

3. 机器学习方法
机器学习(ML)方法,包括人工神经网络(ANNs)、支持向量回归(SVR)和支持向量机(SVMs),在过去几年中构成了 AI 驱动椭圆偏振法的基础。
减少传统椭圆偏振分析中对专家干预的需求促使人们采用了 ML 方法。ML 作为 AI 的一个分支,能够通过直接从可用数据集中学习来对复杂系统进行数据驱动的建模,而无需明确地建模潜在的物理关系。

3.1 人工神经网络
人工神经网络(ANNs)[24] 是由相互连接的处理单元(或神经元)组成的计算模型,这些单元按照受生物神经系统启发的分层架构排列。它们通常包括一个输入层、一个或多个隐藏层和一个输出层。信息通过加权连接和非线性激活函数在网络中传播,从而能够近似输入数据与目标变量之间的复杂非线性关系。输出层提供了所需量的最终预测 [25]。
由于 ANN 能够近似光谱数据与材料参数之间的复杂非线性映射,它们已被广泛应用于椭圆偏振逆问题 [20]。在 Urban 等人的早期工作中 [18],ANNs 在模拟数据集上训练,以快速估计薄膜参数,输出时间在毫秒级。这些初步预测随后通过变阻最小二乘算法进行改进,结合了数据驱动方法的速度和传统拟合程序的准确性。这种混合方法实现了高效精确的数据处理,每个工作点的分析时间仅为数十毫秒。这样的性能适合于实时监测和控制薄膜生长过程,例如在 BK7 基板上生长的 Ni 和 Au。
其他早期研究还包括使用反向传播神经网络(BPNs)[16,17]。Fried 等人 [16] 的工作中提到的 BPN 是一种多层结构,由人工神经元(也称为处理元素)组成。它包括一个输入层、一个或多个隐藏层和一个输出层。每个处理元素接收多个输入信号并产生一个输出,该输出可以传输到后续层的神经元。神经元之间的连接由权重定义,这些权重决定了信号传输的强度。对于每个神经元,传入信号通过加权求和合并成一个净输入,然后根据具体应用通过激活函数(如 Sigmoid 或线性函数)转换为输出。Rédei 等人 [17] 指出,虽然传统反向传播旨在最小化整体均方根误差(RMSE),但它不能保证对预测参数和实际参数之间最大偏差的控制。这一限制在 SE 中尤其重要,因为反演过程对初始条件非常敏感,通常会导致收敛到局部最小值。在这个早期框架中,BPNs 主要用于为后续拟合程序提供改进的初始猜测,显著减少了最大预测误差(例如,在 SIMOX 基模型中从约 37% 降低到低于 10%),尽管 RMSE 有轻微增加。
最近,Bordovalos 等人 [26] 提出了一种基于 ANN 的框架,用于补充氢化非晶硅(a-Si:H)薄膜的传统回归分析。在他们的方法中,一组神经网络识别适当的结构模型,而另一组预测相应的光学和结构参数。在不同基底上沉积的 a-Si:H 薄膜上的验证表明,ANN 辅助的分析能够复现传统最小二乘回归获得的结构模型,同时提供了可比的拟合质量,并减少了计算时间,且无需手动定义初始参数。这种两阶段策略有效地自动化了模型选择步骤,这通常需要专家的显著判断。
基于 ANN 的方法也被提出用于成像椭圆偏振数据的分析。在 Kfoury 等人的研究中 [27],这种方法被应用于表征嵌入聚(乙烯醇)基质中的银纳米颗粒。使用 ANN 获得的结果与传统拟合的结果非常吻合,并且计算时间显著减少。
Urban 等人 [28] 研究了基于 ANN 的椭圆偏振分析,用于吸收薄膜生长过程中的实时原位过程控制。他们的数值框架基于一个多层感知器(MLP)架构,包含四个输入神经元、四个输出神经元和两个各有 40 个神经元的隐藏层。该模型旨在独立预测每个波长的薄膜厚度和光学常数,从而避免了使用波长依赖的拟合函数。这种完全非迭代的、波长分辨的方法能够在毫秒级时间内获得解决方案,适用于厚度高达 30 nm 的薄膜的实时监测。与依赖于迭代细化的传统 LM 回归方法相比,所提出的方法具有更好的计算稳定性和速度。
基于这些方法,Urban 等人在他们的研究工作中 [29] 进一步扩展了 ANN 在单角度(55°)和多角度(55°、65° 和 75°)测量配置下预测薄膜厚度和光学性质的应用。使用具有 4 个或 12 个输入神经元、4 个输出神经元和两个各有 80 个神经元的隐藏层的网络,研究了厚度高达约 40 nm 的薄膜。这种基于 ANN 的方法的一个独特特点是使用在每个波长下独立训练的网络,能够直接预测光学参数,而无需依赖预定义的色散模型。该方法包括两个主要阶段:训练阶段,其中使用大型数据集通过反向传播优化网络权重;以及预测阶段,快速处理实验椭圆偏振数据。尽管训练步骤计算要求高,但只需进行一次,从而允许在应用过程中快速、非迭代地分析数据。
Jung 等人 [30] 开发了一种基于多步神经网络的算法,用于从复杂纳米结构的光谱椭圆偏振数据中快速准确地提取结构参数。在这种情况下,先后使用了三个在模拟数据集上训练的 ANN:一个阶段用于估计光学常数,随后的阶段逐步改进结构参数的预测。这种分层方法特别相关,因为它明确认识到了椭圆偏振分析中光学常数与结构重建之间的强烈依赖性。应用于一维 SiO2 纳米光栅时,该方法实现了亚纳米级平均误差,并且分析时间在几百毫秒的数量级,突显了其用于实时和原位监测的潜力。该框架的另一个优势是其灵活性,因为比传统的基于拟合的方案更容易纳入光学常数的变化。

3.2支持向量回归和支持向量机

支持向量回归(SVR)和支持向量机(SVMs)已被应用于椭圆偏振测量数据分析,在训练效率、对抗过拟合的鲁棒性以及分类任务的可解释性方面具有优势。SVMs [31] 是主要用于分类任务的监督学习算法,其目标是确定在高维特征空间中最大化不同类别之间边界的最佳决策边界。通过使用核函数,SVMs 能够有效地处理非线性关系,将输入数据映射到更高维的空间,在那里线性分离变得可能。SVR [32] 是 SVM 的回归对应物,旨在预测连续的输出变量。SVR 构建了一个函数来近似输入数据与目标值之间的关系,同时将预测误差控制在预定义的容忍范围内。与 SVM 类似,核函数使 SVR 能够在高维空间中对复杂的非线性关系进行建模。Barkhordari 等人 [25] 报告了一个将 SVR 应用于聚合物-纳米复合材料系统(如 PVP:ZnTiO3 薄膜)的典型例子。在这项研究中,使用传统的非线性回归(NLR)和机器学习方法(包括人工神经网络 ANNs 和 SVR)分析了椭圆偏振参数(Ψ 和 Δ)。比较表明,基于 ML 的方法提供了与传统拟合程序相当的准确性,同时显著减少了计算时间。特别是,SVR 表现出更优的性能,与 ANNs 相比,具有更低的预测误差和改进的泛化能力。

Herawati 等人 [33] 报告了一种基于光谱椭圆偏振测量/机器学习(SE–ML)的工作流程,用于基于 Cr 薄膜的快速和无需标记的微藻检测,这些薄膜被用作优化厚度的光学传感器。由于多层堆叠的 Ψ–Δ 响应是高维的、非线性的且强相关的,作者采用了多任务深度神经网络进行快速预测,并使用 SVM 进行薄膜堆叠的区分。SVM 分类器取得了出色的区分性能,展示了将 SE 与 ML 结合起来将复杂的光谱特征转换为智能、无损生物传感和环境诊断的决策导向输出的实用性。机器学习辅助的椭圆偏振测量还应用于生殖生物学领域,其中宽带可变角度光谱椭圆偏振测量与优化的学习模型结合,用于分析高度敏感的光谱数据 [9]。在 Amaral 等人的研究中 [9],该方法被用于对 ZIKV 感染和未感染小鼠模型的雄性后代收集的生物样本进行分类,提供了一种无需标记、简单且成本效益高的诊断方法。将光谱退极化数据与训练有素的 SVM 模型结合,实现了出色的分类性能,而基于 Kramers–Kronig 一致 B-样条的光学建模使得能够提取每个类别的平均折射率。观察到的光学差异与结构异常和生物分子损伤有关,进一步突显了 SE–ML 策略在先进生物传感和生物医学诊断中的潜力。

机器学习方法也被应用于薄膜沉积过程中的原位 SE,例如原子层沉积,Arunachalam 等人 [34] 进行了相关研究。在这种情况下,可以直接在椭圆偏振参数(Ψ, Δ)上训练预测模型,以实时估计薄膜厚度,而无需依赖迭代拟合程序。研究了不同的算法,包括 SVM、决策树、集成方法和基于实例的方法,其中 k-最近邻方法在简单性和预测准确性方面表现出特别有竞争力的性能。值得注意的是,即使在光谱信息部分减少或限制在较窄的波长范围内,这些模型也表现出鲁棒性。尽管对于较厚的薄膜,预测准确性可能会下降,但这些结果突显了机器学习辅助椭圆偏振测量在薄膜制造中的实时过程监控和控制潜力。

4. 椭圆偏振测量中的深度学习方法

深度学习(DL)[35] 是基于具有多个隐藏层的神经网络的机器学习的一个子领域,旨在直接从数据中学习复杂和层次化的表示。与通常依赖于预定义特征的传统机器学习方法不同,深度学习模型可以自动从原始输入数据中提取相关特征,使其特别适合处理高维和非线性问题。深度神经网络(DNNs)[36] 是一类由全连接层组成的 DL 模型,每个神经元都与后续层的所有神经元相连。通过堆叠多个隐藏层和应用非线性激活函数,DNNs 能够近似输入数据(如椭圆偏振光谱)与目标变量(包括光学常数和薄膜厚度)之间的复杂映射。卷积神经网络(CNNs)[37] 是一种专门设计用于处理结构化数据(如图像或光谱数据集)的 DL 架构。CNNs 使用卷积滤波器来捕获局部模式和相关性,同时通过权重共享减少可训练参数的数量。这使得它们特别适用于分析存在相关性的高维椭圆偏振数据。

Liu 等人 [38] 使用基于 DNN 的迭代学习(称为“SUNDIAL”)研究了光学参数与实验测量之间的关系,实现了完全自动化和可靠的薄膜属性检索,无需大量的专家驱动拟合程序。该方法同时结合了反射率(R)和透射率(T)数据以及传统的椭圆偏振参数(Ψ, Δ),减少了确定折射率、消光系数和薄膜厚度的不确定性,这是传统分析中的一个持续挑战。这种多观测方法与标准椭圆偏振仪器兼容,并为快速、高通量的光学表征和薄膜制造过程中的实时原位监控提供了可能性。DNN 辅助方法还已被提出用于纳米结构光栅的表征,在这些系统中,逆问题特别具有挑战性,因为必须同时确定几何特征和光学常数 [39]。在这些系统中,Jiang 等人 [39] 研究发现,基于传统散射测量方法可能会受到稳定性和仪器复杂性的限制。为了解决这些问题,作者表明可以使用标准椭圆偏振仪获得的椭圆偏振角度作为神经网络重建的功能输入。通过结合物理丰富的结构模型和数据驱动的推理,这些方法能够快速准确地表征纳米光栅,包括非理想特征,如圆角和残留层。其他策略,如使用多个初始条件、方位角分辨测量和补偿程序,进一步提高了鲁棒性和预测准确性。Oka 等人 [40] 提出了深度学习椭圆偏振测量(DLE),这是一个综合框架,结合了超大规模训练数据集、用于建模消光和吸收行为的混合策略、抗噪声学习以及优化的 CNN 架构,以提高从椭圆偏振光谱中提取光学和结构参数的能力。在 Si 衬底上沉积的实验薄膜上的验证表明,DLE 在没有样本先验知识的情况下准确检索了光学常数、薄膜厚度和带隙相关信息,同时将总分析时间缩短到了几秒钟。这种混合建模策略解决了在统一框架中表示透明区和吸收区的挑战,这是传统方法中常见的拟合难题。

DL 方法(包括 CNNs)也被提出来克服传统非线性回归 [41] 的局限性,后者通常对于自主或闭环椭圆偏振分析来说太慢。特别是,开发了不同的数据驱动策略,如光谱的、分段的和逐点的方法,以适应特定的材料系统和实验目标。为了更清晰地比较应用于光谱椭圆偏振测量的不同 AI 方法,表 1 总结了它们的典型应用领域、相关逆问题以及主要优点和局限性。这一比较强调了每种方法的适用性在很大程度上取决于特定的椭圆偏振任务和数据特征。

5. 先进测量技术

由 AI 驱动的分析显著增强了 Mueller 矩阵光谱椭圆偏振测量(MMSE)、成像椭圆偏振测量和实时原位监测的技术。这些技术生成高维、空间分辨或时间分辨的数据集,非常适合基于 ML 的处理,实现了传统分析方法无法实现的新功能。

Mueller 矩阵光谱椭圆偏振测量

MMSE 测量描述样品极化转换特性的完整 4×4 Mueller 矩阵,提供的信息量比标准椭圆偏振测量(仅测量两个参数 Ψ 和 Δ)[42] 更丰富。然而,信息量的增加带来了显著更高的数据维度和复杂性,使得传统分析方法更加具有挑战性。AI 驱动的方法对于 MMSE 数据分析特别有效,能够提取结构参数、温度映射和高通量晶圆级计量。Mudide 等人 [43] 将 MMSE 与 ML 结合起来,实现了快速参数提取。在这个框架中,使用在仿真数据上训练的神经网络来模拟前向光学响应,然后将其反演以从实验测量中检索关键的结构参数。这种策略显著减少了计算时间,同时保持了高准确性,并与现有技术取得了强一致的结果。

Oh 等人 [44] 提出了一种超宽场成像 Mueller 矩阵光谱椭圆偏振测量(IMMSE)系统,能够在 20 × 20 mm 视场内获取超过 1000 万个 Mueller 矩阵光谱,具有微米级的空间分辨率。通过将这个庞大的光谱数据集与 ML 分析相结合,该方法实现了对动态随机存取存储器结构和晶圆级产量分析的空间密集表征。基于 ML 的分析流程快速处理整个数据集,提取空间分辨的结构参数,并识别点测量方法无法看到的过程变化。这项工作表明,AI 在 MMSE 能力上实现了质的飞跃:庞大的数据量使得传统分析不可行,而基于 ML 的方法可以在合理的时间内处理数百万个光谱。

Sun 等人 [45] 展示了一种通过结合 MMSE 与热光学分析和 DL 的非侵入式微电子器件温度监测的新方法。在他们的工作中,利用 SiO2 薄膜在 UV–可见光范围内的光学响应的温度依赖性来间接检索局部温度变化。通过使用多通道 DL 模型分析椭圆偏振数据,该方法能够在传统红外技术无效的区域实现准确的温度映射,尤其是在低温下硅的透明度较高时。这项研究强调了将椭圆偏振测量与数据驱动方法相结合在先进热诊断中的潜力,为改进下一代电子器件的过程控制和可靠性提供了有前景的策略。

在 Jung 等人的工作中 [46],作者提出了一种基于 MMSE 的纳米光栅结构表征方法。所提出的框架分为两个主要阶段。首先,将实验测量的 Mueller 矩阵与预计算的数据库进行比较,以确定最匹配的配置。在第二阶段,使用 ANN 利用与选定配置相关的局部信息来估计结构参数。在该实现中,通过在 LM 算法基础上进行的迭代程序细化了数据库中最佳匹配的搜索。虽然这种策略提高了匹配过程的准确性,但也显著增加了计算成本,特别是在处理大型数据集或大量结构参数时。此外,这种方法需要仔细处理可能随制造条件和温度变化的光学常数。

Sun 等人 [47] 展示了将 MMSE 数据与深度学习结合使用 CNN 来识别和量化通过 TSV-Cu 系统的缺陷的能力,这对于三维集成技术至关重要。在这些方法中,可以通过分析选定的 Mueller 矩阵元素来准确区分由制造过程(如化学-机械平面化和退火)引起的不同缺陷类型。

6. AI 在材料表征中的椭圆偏振测量应用

最近在 AI 方面的发展大大增强了椭圆偏振测量在材料表征中的作用。ML 和 DL 为分析各种材料提供了灵活的工具。例如,基于 CNN 的模型已被应用于薄膜材料的分类。特别是在 Hayashi 等人的研究中 [48],在广泛入射角范围内获得的椭圆偏振热图上训练的 DL 方法已被证明能够区分不同的材料类别,如非晶态、晶体态、有机材料、金属氧化物和透明导电氧化物以及透明薄膜。这些模型通常依赖于从参数化介电函数模型生成的大型合成数据集进行预训练,然后使用实验数据进行微调以提高鲁棒性。实验验证表明,这些模型在多个类别上具有高分类性能,同时保持了非常短的分析时间,大约几秒钟。这项能力突显了基于卷积神经网络(CNN)的方法不仅在参数估计方面具有潜力,而且在快速材料识别方面也具有潜力,从而实现了更加灵活和数据驱动的椭圆偏振分析工作流程。Xu等人[49]回顾了人工智能(AI)与半导体制造中光学计量技术的整合,特别关注基于光谱的技术和椭圆偏振法。作者对不同的AI策略进行了分类,包括前向建模、逆向预测和基于物理的信息方法,并评估了它们在解决关键工业挑战(如工具间匹配和复杂纳米结构的表征)方面的有效性。他们的分析突出了AI在提高半导体计量精度和效率方面的潜力,同时也指出了与数据质量、模型泛化能力和可扩展性相关的关键限制。

基于人工神经网络(ANN)的方法也被应用于复杂的材料系统,例如多组分钙钛矿[50],在这些系统中,传统分析方法难以捕捉成分与光学响应之间的关系。在这些系统中,化学计量比的变化会导致光学性质的高度非线性变化,使得传统的回归方法变得不适用。为了解决这个问题,ANN被用来进行高维回归,从而能够直接从成分参数和波长预测光学常数。结果表明,与实验椭圆偏振测量结果有很好的一致性,准确再现了不同成分下的折射率和消光系数的趋势。另一个重要的应用领域是二维(2D)材料,在这些材料中,层数对决定电子和光学性质起着至关重要的作用[51]。因此,在设备制造和物理表征之前,准确确定厚度是必不可少的。在这种情况下,机器学习(ML)已成为补充2D材料光学表征技术的强大工具[52]。虽然光学方法能够高效地获取光谱信息,但ML算法提供了快速、高通量和自动的数据处理能力。因此,光学技术和ML的整合使得提取厚度和光学性质变得更加高效,促进了2D材料的大规模分析和工业应用。

合金在材料科学中扮演着核心角色,因为它们具有高度可调的物理和化学性质,这些性质可以通过精确控制成分来调整。在这方面,准确确定化学计量比对于基础研究和技术应用都是必不可少的。传统的表征技术,如能量色散X射线光谱(EDX),被广泛用于成分分析;然而,这些方法通常耗时且通常需要真空条件,限制了它们在快速或原位测量中的应用。为了解决这些限制,最近的研究提出了基于扫描电子显微镜(SE)与AI结合的替代策略[53]。特别是,ANN被用来直接从椭圆偏振光谱中提取成分信息[53]。这种数据驱动的方法能够在不使用EDX的情况下估计合金的化学计量比。He等人[54]证明,神经网络模型可以在椭圆偏振数据上训练,从而准确预测广泛合金成分和加工条件下的折射率(n)和消光系数(k)。不同的架构,包括卷积模型和序列模型,都已被探索,其中CNN通常在准确性和鲁棒性之间提供了最佳的折中。重要的是,这些模型还可以用来推断组合库中未测量成分的光学趋势,从而识别与光学性质变化相关的转变浓度。这种能力减少了对大量实验测量的需求,并为分析复杂合金系统中的成分-性质关系提供了有效的策略。

在Li等人的工作中[41],基于深度学习(DL)的方法被开发出来用于椭圆偏振数据的分析,显著加快了表征过程。一旦训练得当,这些模型可以通过比传统拟合程序快几个数量级的速度提取光学常数和结构参数。这些方法已成功应用于多种高通量研究相关的材料系统。例如,它们能够有效地分析由光学各向同性材料(如Ge-Sb-Te合金)组成的多层薄膜,以及表现出强光学各向异性的更复杂系统,包括过渡金属硫族化合物如MoS2。重要的是,选择最合适的分析策略取决于材料性质和具体的表征目标。在组合研究中已经证明了DL辅助椭圆偏振法的有效性,在这些研究中可以快速筛选大量的成分库。在这种情况下,数百种不同的材料成分可以在几秒钟内被分析,从而在极短的时间内识别出最佳性质。这种能力突显了AI驱动的椭圆偏振方法在高通量材料表征和加速材料发现方面的强大潜力。

7. 关键分析:限制和挑战
尽管在过去几年中AI驱动的椭圆偏振技术取得了令人印象深刻的进步,但仍存在几个重要的限制和挑战。

7.1. 克拉默斯-克罗尼格(Kramers–Kronig,KK)一致性
纯数据驱动的DL模型的一个关键限制是它们可能会产生物理上不合理的预测。Liu等人[15]引入了智能椭圆偏振网络(SENet),该网络结合了增强物理的学习来强制预测的光学常数满足物理上的合理性,包括克拉默斯-克罗尼格(KK)一致性[55],而不是仅仅依赖于黑盒CNN。SENet将数据驱动的神经网络与明确的物理约束相结合,确保预测的折射率和消光系数满足基本因果关系。这种混合方法提高了对未见材料和测量条件的泛化能力,同时保持了神经网络推理的速度优势。在多种薄膜系统上的验证表明,SENet产生的光学常数比无约束模型更加物理一致,特别是在训练数据覆盖范围有限的光谱区域。

7.2. 数据可用性和质量
ML模型的性能很大程度上取决于足够大、具有代表性且标记准确的数据集的可用性。这一基本要求对椭圆偏振应用提出了重大挑战,因为实验数据收集既耗时又昂贵,而且往往是专有的。De Vecchy等人[56]在他们的GeSbTe晶体化研究中提供了一个实验数据限制的明显例子。仅在实验数据上训练的模型显示出较差的预测性能,特别是在390–410°C的结晶范围内,有限的数据降低了预测的可靠性[56]。尽管合成数据显著提高了模型准确性,但这也表明ML方法的鲁棒性可能严重依赖于数据生成所采用的假设。如果合成数据生成过程不能准确捕捉真实系统的物理特性(例如,由于模型简化、忽略效应或材料参数不准确),训练模型可能无法泛化到实验数据。数据质量问题不仅包括数量上的问题,还包括测量噪声、系统误差和样本间的变异性。大多数ML研究都是在严格控制的实验室样本上报告性能的,但实际应用(例如半导体制造、生物传感)涉及的样本具有更大的变异性、污染、粗糙度和其他非理想性。ML模型对这些实际条件的鲁棒性仍然是一个有待系统研究的问题。另一个关键问题涉及不同测量仪器之间的变异性。在大规模半导体制造中,椭圆偏振数据通常使用多个系统获取,这会导致由于检测器错位和仪器噪声等因素引起的系统差异。这些变化可能会显著影响机器学习模型的可重复性和可靠性。为了解决这个挑战,Kim等人[57]引入了数据增强策略,这些策略结合了测量过程的领域特定知识。通过建模真实的仪器变化,如波长校准误差和随机噪声,这些方法提高了重复性和可重复性,同时保持了预测准确性。这使得ML能够在不同的测量条件下保持一致的性能,这对于在工业环境中的部署至关重要。

当测量到的光学响应偏离理想模型假设时,这些挑战会进一步加剧,这种情况在真实的椭圆偏振测量中经常发生。AI驱动的方法有助于解决传统椭圆偏振方法的一些固有限制,尤其是在吸收材料和多孔系统中[50],在这些系统中,传统回归分析可能会变得不稳定或需要过简化的假设。在这种情况下,ML和DL模型可以被训练来识别复杂的光谱模式、仪器伪影、噪声贡献或非理想的光学响应[58,59]。

7.3. 计算资源和部署
将AI整合到椭圆偏振分析中已经显示出通过几乎1000倍的加速数据处理潜力,同时简化了工作流程,消除了初始参数估计和收敛准则的需求[60]。然而,这些方法仍然受到光-物质相互作用的基本物理定律和参数可识别性所需数学条件的根本限制[60]。另一个关键问题是计算成本。虽然基于ML的推理通常很快(每个光谱几毫秒到几秒),但训练阶段可能在计算上要求很高,需要大型数据集、强大的GPU和长时间的训练(几小时到几天)。这种计算负担可能会限制具有足够计算资源的研究团队和公司使用ML驱动的椭圆偏振技术。Zhu等人[61]通过开发一种轻量级神经网络解决了这一挑战,该网络通过仔细的架构设计和8位量化平衡了准确性和计算效率。这种轻量级模型适用于快速的、可能是在仪器上的椭圆偏振分析,适合实时工厂部署,证明了复杂的深度学习能力可以在不需要高端GPU基础设施的情况下在实际计量环境中得到应用。

基于物理信息的串联非训练神经网络(PITUNN)[62]框架已被提出用于通道光谱椭圆偏振分析,使得无需专门的训练阶段即可提取参数。这种方法提高了计算效率,并放宽了对硬件和校准的一些严格要求,同时保持了对抗系统错误和测量噪声的鲁棒性。然而,模型大小、计算需求和准确性之间的权衡仍需要进一步系统研究。

8. 结论和展望
AI正在迅速重塑椭圆偏振技术的格局,为长期存在的传统非线性回归方法的局限性提供了强大的解决方案。正如本综述所讨论的,ML和DL技术使得椭圆偏振数据的高效、自动化和高度灵活分析成为可能,大大减少了专家驱动的模型构建和迭代拟合程序的需求。尽管取得了这些进展,AI驱动的椭圆偏振技术仍是一个新兴领域,尽管相关研究相对较少,但正在迅速发展。主要挑战仍然存在,包括训练数据集的可用性和质量、不同材料系统和实验条件下的模型泛化能力,以及确保预测光学性质的物理一致性。

一个重要的机会是从纯数据驱动的方法向更加集成和智能的分析框架转变。特别是,开发结合椭圆偏振数据与互补技术(如XRD、拉曼光谱和电子显微镜)的多模式AI模型,有潜力提供更全面和稳健的材料表征。此外,提高基于AI的模型的可解释性仍然是一个关键挑战。特别是,相关矩阵的显式量化在AI驱动的椭圆偏振技术中尚未建立,代表了未来研究的一个有前途的方向。实时AI辅助椭圆偏振与自主实验平台的整合代表了过程优化的又一步有前途的进展。在这种框架下,AI将指导实验决策,将人为干预降到最低限度。然而,在分析复杂光学系统时仍存在多个挑战。受背面反射影响的透明 substrate 在椭圆偏振分析中是一个众所周知的挑战,特别是对于像聚对苯二甲酸乙二醇酯(PET)这样的块状透明 substrate,其中多次反射和干涉效应使得Ψ和Δ的解释复杂化。将AI应用于区分这些贡献尚未得到系统的探索,代表了一个有前景的研究方向。

椭圆偏振分析需要强大的光学建模专业知识,包括选择适当的色散定律、层结构和拟合策略。这通常是一个主要的进入障碍。相比之下,生成式AI模型可以直接嵌入商业软件环境中,自动提出物理上合理的模型,建议初始参数集,并以直观的方式指导用户完成拟合过程。从工业角度来看,将生成式AI整合到仪器制造商开发的椭圆偏振软件中,可以促进该技术的更广泛应用,减少分析时间,并提高不同实验室之间的可重复性。这种向更用户友好的、AI辅助平台的演变很可能会在先进的光学建模和实际应用之间架起桥梁。至关重要的是,该领域的持续发展将极大地依赖于教育和培训的投资。尽管发展迅速,但AI驱动的椭圆偏振技术仍然是一个需要光学建模、材料科学和数据驱动方法交叉的专业知识的领域。如果没有适当的培训,这些先进方法的采用可能会受到限制。因此,开发用户友好的软件环境,以及开展培训活动(如研讨会、教程、网络研讨会和开放教育资源)将至关重要。这些努力对于帮助那些已经熟悉传统光学建模但可能缺乏机器学习(ML)经验的研究人员来说尤为关键。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号