模拟使用深度学习Germanium-on-Nothing腔的形态变换gydF4y2Ba

独特的自组装结构称为Germanium-on-Nothing锗(百分度),通过退火是捏造的,有埋多尺度蛀牙有不同的形态。由于他们独特的地下形态,GON结构用于各种应用程序包括光电子学、微/纳电子学和精密传感器。每个应用程序都需要不同的空腔形状,模拟工具是能够确定所需的退火时间对于一个给定的形状。然而,理论模拟不可避免地需要简化,限制其准确性。,解决这样的简化的依赖,我们引入一个基于深度学习方法模拟地下morhpology GON在退火的变换。即训练是深学习模型预测百分度的形态转换从4横断面图像在不同退火时间获得。相比传统的模拟方案,我们建议的深度上优于模拟方法不仅计算效率(gydF4y2Ba\ (10 \ \ sim)gydF4y2Ba分钟),而且身体与使用经验数据准确。gydF4y2Ba

而广泛使用lithography-based制造计划,只有利用表面形式,在annealing-based silicon-on-nothing(儿子)gydF4y2Ba1gydF4y2Ba)和germanium-on-nothing(百分度)gydF4y2Ba2gydF4y2Ba)制造方法另外利用半导体晶片的纳米级地下组件(gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba]。通过退火直蚀刻孔模式,微纳米埋蛀牙不需要获得一个气密密封的过程。这些蛀牙形成各种各样的形态,从圆形管道到球体和盘子,根据初始穿孔图案的形状和退火时间gydF4y2Ba5gydF4y2Ba]。这种独特的产品是使用在不同的应用领域:光子晶体(gydF4y2Ba6gydF4y2Ba),压力传感器(gydF4y2Ba7gydF4y2Ba,gydF4y2Ba8gydF4y2Ba],巩膜[gydF4y2Ba9gydF4y2Ba),太阳能电池(gydF4y2Ba2gydF4y2Ba),等等。gydF4y2Ba

每个应用程序都需要不同的地下形态对其适当的就业。因此,随着vertically-etched初始结构转换成圆形管道,球体,最后到盘子,退火时,必须在准确的时间停止所需的腔形态组成。而不是简单的光学波或diffraction-based检验规程,表面结构,更复杂的检测方法需要对这些埋蛀牙。超声波原子力显微镜(gydF4y2Ba10gydF4y2Ba,gydF4y2Ba11gydF4y2Ba),x射线扫描(gydF4y2Ba12gydF4y2Ba),和光学干涉法(gydF4y2Ba13gydF4y2Ba)是一些广泛使用的地下成像技术提供了一堆二维资料。然而,这些有自己的局限性低吞吐量或inoperability在极端热条件。另一方面,模拟地下形态的变换将减少依赖这些gydF4y2Ba现场gydF4y2Ba地下成像过程,因此规避相应的限制。虽然阶段领域建模,有限元方法(FEM)的一个特定的分支为解决界面问题,是一个可行的模拟方法GON结构,它不可避免地包含长计算期(10小时)根据网格大小(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba15gydF4y2Ba]。此外,相位场建模是完全基于计算表面扩散现象,因此不考虑主体材料的物理性质(gydF4y2Ba16gydF4y2Ba),如水晶的方向。gydF4y2Ba

在这封信中,我们提出一个快(gydF4y2Ba\ \ (sim \)gydF4y2Ba10分钟)上优于annealing-based制造过程的模拟方法从经验数据,即百分度的横断面图像。4不同退火时间百分度结构的图像是狼狈地获取训练数据。然后,基于这些数据在4种不同的时候,空腔的形状的基本参数和形态学的横断面图像模拟在这四个步骤。我们的方法需要不到10分钟的培训和使用经验数据的计算,模拟对象的所有物理性质已经彻底把仿真与理论模拟需要简化;例如,相场模型只考虑表面扩散系数的模拟百分度的形态变换。gydF4y2Ba

图gydF4y2Ba1gydF4y2Ba表示整个工作流的autoencoder-based模拟。Autoencoder encoder-decoder架构的一个特殊分支,解决了F (gydF4y2BaxgydF4y2Ba)=gydF4y2BaxgydF4y2Ba,即一个输出相同的输入数据的模型。正如它的名字“encoder-decoder”意味着,编码器组件压缩输入数据到一个更小的大小,提取输入的基本特征。然后,解码器可以输出信息所需的领域,也可以是相同或不同的输入数据。不同的输出,常见应用程序场景分割(gydF4y2Ba17gydF4y2Ba)和深度图提取(gydF4y2Ba18gydF4y2Ba),输出信息的利用。与相同的输出,而另一方面,编码器和译码器是分别利用提取重要特征从任意给定输入或重构输出特性(gydF4y2Ba19gydF4y2Ba]。这些encoder-decoder架构输出相同的输入autoencoders命名,这工作的autoencoder模型利用解码器重建横断面图像从一个任意的功能。gydF4y2Ba

管道的深度上优于地下形态变换模拟。GON截面的关键SEM图像作为训练数据,深度学习架构是训练图像编码到单一潜变量和重建原始图像。整个模型的粉色部分是最初训练参数训练,其次是选择性训练的绿色部分的卷积重建原始训练图像gydF4y2Ba

全尺寸图像gydF4y2Ba

虽然完全卷积autoencoders常见的图像分析,线性层被添加到这个工作的仿真模型不仅腔图像还描绘了形态学的基本参数。因此,该模型被命名为“参数化卷积autoencoder”(PC-AE)。火车PC-AE,横断面的扫描电子显微镜(SEM)图像退火5百分度结构,15岁,60岁,150分钟获得的关键。PC-AE对称由6层的卷积层和4层线性编码器(顶部排PC-AE在无花果。gydF4y2Ba1gydF4y2Ba)和解码器(红底排PC-AE,盒装)。编码器压缩图像到一个潜变量,这是后来重建的5参数使用译码器的线性层。从这5个参数,原始输入图像重建使用卷积译码器层。PC-AE组件的橙色背景最初训练输出5个必要的参数描述输入图像的形态,作为参数表示为训练。然后,虽然这些层冻结,剩下的解码器与绿色背景的卷积层只训练5参数重建原始图像,命名为重建培训。两个培训后,潜变量输入迭代译码器模型来模拟参数和地下的图像。亚当优化器是用于参数和重建培训学习速率为0.001,都旨在减少培训损失作为标签和重建之间的均方误差参数没有验证数据或图像。GTX 1660超级GPU已经被用于训练深度学习模型与TensorFlow图书馆。gydF4y2Ba

垂直和圆形孔通过深反应离子刻蚀图案在prime-grade表面(100)晶片锗。洞的直径和间距模式分别为1.2gydF4y2Ba{m} \ \μ(\ \文本)gydF4y2Ba和0.8gydF4y2Ba{m} \ \μ(\ \文本)gydF4y2Ba。去除表面的有机物通过稀释后氨溶液(gydF4y2Ba\ ({NH} _4 \ \文本文本{哦}:{H} _2 \ \文本文本{O} = 1:4 \)gydF4y2Ba在卷),晶片在真空退火(2gydF4y2Ba(\ \ * 10 ^ {6}\)gydF4y2Ba托)炉gydF4y2Ba890 \ \(^{\保监会}{C} \ \文本)gydF4y2Ba与增加的速度gydF4y2Ba25 \ \(^{\保监会}{\文本{C}} /{\文本{分钟}}\)gydF4y2Ba。退火有利于降低表面能,从而加速表面垂直扩散将蚀刻孔。gydF4y2Ba

图gydF4y2Ba2gydF4y2Ba显示在退火百分度结构的形态变换。在5分钟,顶面初始垂直孔是圆形管道封闭形式。然后,管道之间的膜壁变薄的垂直高度降低,形成成sphere-like蛀牙。最终,个人蛀牙合并形成一个水平板,并进一步退火柔滑板的表面粗糙度。5分钟的红色字母图像表示的基本参数描述腔的形态:孔模式(P),孔的长度(L),孔间距(S),孔直径(D),和高度的粗糙度(H),每个参数是规范化的最大值的4样本不同退火时间。gydF4y2Ba

横断面的扫描电镜图像GON作为训练数据。截面进行了分析通过破坏性试验在四个不同的退火时间:5日,15日,60岁,150分钟红线5分钟形象表示从地下形态中提取的基本参数gydF4y2Ba

全尺寸图像gydF4y2Ba

图gydF4y2Ba3gydF4y2Ba显示初始的训练结果6500时代的参数训练。在500年第一个时代,培训损失(均方误差)之间的标签和重建参数值降低到0.001,这熊gydF4y2Ba\ (5 \ sim 10 \ % \)gydF4y2Ba预测误差。培训损失小于0.001被认为是有效的从实证检验,用蓝色突出显示。培训损失减少,gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba指数拟合值之间的每个变量编码的变量和退火时间增加到最大0.99956在6316年时代的价值。事实上,正如学会重构模型的基本参数为每个退火时间,同时学习时间相关注册在输入数据即使没有提供任何时间信息作为训练数据。6500时代的训练了大约10分钟,这是一个快速计算考虑到有限元相场建模需要几个小时取决于网格的大小。这项工作的深度学习方法的另一个主要优点是使用经验数据。理论模拟,如有限元领域建模包含简化阶段,即只考虑表面扩散系数建模时的形态变换。另一方面,深入学习模型的使用经验数据自动包含详细的物理性质如水晶的方向。gydF4y2Ba

一个gydF4y2Ba参数训练的结果。均方误差减少,gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba潜变量之间的拟合值和退火时间增加。最大gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba0.99956是收购的价值在6318年时代,随后的重建训练之后。均方误差小于0.005被认为是有效的。gydF4y2BabgydF4y2Ba模拟参数初始参数训练后,最大的选择gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba价值。五参数模拟基于标签在四个不同的时间:5日,15日,60岁,150分钟gydF4y2Ba

全尺寸图像gydF4y2Ba

虽然我们取样4退火时候训练数据训练模型,每5点,15岁,60岁,150分钟,成功模拟所需的训练数据的数量将取决于现象的复杂性。非线性形态转换需要以准确模拟训练后的训练数据。百分度的地下形态的变换,我们的训练数据描述初始个体蛀牙(5和15分钟)合并到单个腔(60分钟),最后平腔(150分钟)。模拟训练后都是基于这些特征的基本形态在转换的过程中。应用在不同的领域,训练数据将需要选择以类似的方式,考虑形态的复杂性和其整体训练数据的特征。gydF4y2Ba

培训和最大迭代gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba参数仿真的价值选择。而损失价值的波动由于随机性在深注册学习模型的优化过程是观察在训练大约4000时代,模型很快收敛于最小的错误,表示模型从波动,良好的训练中恢复过来。最大gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba被收购后波动。基于模型的能力在理解输入图像的时间相关证明的高gydF4y2Ba文本\ (\ {R} ^ {2} \)gydF4y2Ba模拟值,5基本参数之间的5和150分钟的退火如无花果所示。gydF4y2Ba3gydF4y2Bab。一个关键参数,是相关的深刻观察GON转换现象是个体之间的间距(S)蛀牙。百分度结构的成功就业的主要决定因素在不同的应用程序是其适当的形式因素,通常划分为个人或合并蛀牙。间距参数精确地描述了这种差异。个人开发蛀牙在40分钟直到参数年代达到零,和合并后的平板状空腔形成后40分钟。参数仿真特点特别感兴趣的时刻,这种现象发生。gydF4y2Ba

图gydF4y2Ba4gydF4y2Ba显示了随后的重建培训结果。模型训练重建横断面形态从5参数1000时代,期间标签之间的均方误差和预测形态学减少降至0.01。相比参数训练,训练时间更长时期,重建1000培训只进行迭代,以防止过度拟合。广义的理解实现准确模拟训练数据是至关重要的,和错误的价值0.01已经经验决定适当的大小,模拟形态转换没有过度拟合。进一步训练误差值为0.01以下更容易构建身体不自然的形态变换。质量的改进模型的重建在训练图所示。gydF4y2Ba4gydF4y2Bab。gydF4y2Ba

一个gydF4y2Ba重建培训结果。gydF4y2BabgydF4y2Ba培训品牌重建的比较三个不同的损失值在训练。训练数据准确地重建和再培训gydF4y2Ba

全尺寸图像gydF4y2Ba

一个完整的模拟训练后阶段图所示。gydF4y2Ba5gydF4y2Ba。8点图像不同时间采样编码之间的指数函数拟合训练数据和相应的退火时间。4次迭代(a、c、f和h)从训练数据,采样和其他4 (b, d, e, g)之间采样的训练数据形态转换可以最充分的描述。所示的重建图像,转换的地下空洞和膜的表面粗糙度都准确地模拟。模拟地下形态表现出合理的转换从垂直循环管道合并板(模拟)和随后的压扁过程(情况)。注意,迭代' d '的无花果。gydF4y2Ba5gydF4y2Ba是模拟在40分钟当间距参数S达到零。事实上,个人蛀牙发起合并成一个单一的平板状空腔。此时,正弦粗糙度合并腔的顶部和底部表面类似于个人蛀牙在迭代的正弦粗糙度模式进一步退火变得平缓两板腔的顶部和底部表面,逐渐增加正弦的周期模式。这样的时期也描述增加参数模拟。图的大小。gydF4y2Ba3gydF4y2Bab的紫色的线较长的退火时间增加,这一趋势解码器的卷积层已经学会重构的二维形态平腔的表面。的膜膜的上表面,最初在退火正弦粗糙度变得平缓,其增加正弦周期类似于腔表面的粗糙度。总的来说,PC-AE模型准确模拟的地表和地下形态解释这一段。额外的文件gydF4y2Ba1gydF4y2Ba:视频S1包含生成的仿真可视化这些重建表面以连续的方式。gydF4y2Ba

模拟地下形态从随后的重建培训。地下的横断面图像形态模拟是基于相同的四次:5日,15日,60岁,150分钟,表示红框(gydF4y2Ba一个gydF4y2Ba,gydF4y2BacgydF4y2Ba,gydF4y2BafgydF4y2Ba,gydF4y2BahgydF4y2Ba)。从他们的潜在价值之间指数拟合和退火时间,四个潜在的值用蓝色方块的重建(gydF4y2BabgydF4y2Ba,gydF4y2BadgydF4y2Ba,gydF4y2BaegydF4y2Ba,gydF4y2BaggydF4y2Ba)gydF4y2Ba

全尺寸图像gydF4y2Ba

在这封信中,我们提出一个基于深度学习的方法模拟二维形态转换GON结构在退火工艺。5参数表示百分度的地下形态模拟,从横断面图像形态学的额外的模拟。深度学习,经验基于数据模拟包含所有物理特性相关的现象在一个简单的时尚,与理论模拟等不可避免地包含简化只考虑表面扩散系数。拟议中的经验基于数据模拟方案可以广泛用于各种动态制造技术,例如热氧化或腐蚀。gydF4y2Ba

和/或使用的数据集分析在当前研究可从相应的作者在合理的请求。gydF4y2Ba

作者感谢韩国国家研究基金会收到的资金。gydF4y2Ba

这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(NRF - 2020 r1a2c3004885和联盟- 2020 r1a4a2002728)。gydF4y2Ba

作者和联系gydF4y2Ba

1. 机械工程系、韩国先进科学技术研究所、韩国大田市gydF4y2Ba

   Jaewoo宋,金Taeyeong & Jungchul李gydF4y2Ba

2. 极端的热物理和制造业中心、韩国先进科学技术研究所、韩国大田市gydF4y2Ba

   Jaewoo宋,金Taeyeong & Jungchul李gydF4y2Ba

贡献gydF4y2Ba

j .宋开发仿真框架和写的手稿。t . Kim捏造百分度结构。j·李指导研究和手稿。所有作者阅读和批准最终的手稿。gydF4y2Ba

相应的作者gydF4y2Ba

对应到gydF4y2BaJungchul李gydF4y2Ba。gydF4y2Ba

伦理批准和同意参与gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

同意出版gydF4y2Ba

作者同意SpringerOpen许可协议发布文章。gydF4y2Ba

相互竞争的利益gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

施普林格自然保持中立在发表关于司法主权地图和所属机构。gydF4y2Ba

开放获取gydF4y2Ba本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图片或其他第三方材料都包含在本文的创作共用许可证,除非另有说明在一个信用额度的材料。如果材料不包括在本文的创作共用许可证和用途是不允许按法定规定或超过允许的使用,您将需要获得直接从版权所有者的许可。查看本许可证的副本,访问gydF4y2Bahttp://creativecommons.org/licenses/by/4.0/gydF4y2Ba。gydF4y2Ba

再版和权限gydF4y2Ba