薄膜材料在微电子、光电子、生物、医药等领域高端器件的制造中不可或缺。为了提高器件的性能指标，人们需要精确地测量与掌握薄膜的特性参数，比如光学常数(n, κ)和薄膜厚度(d)就是两种重要的材料参数。前者同材料组分、带隙、结晶度等信息密切相关，而薄膜厚度的微小误差会对器件性能的造成显著影响。椭偏仪因其测量灵敏度高、与样品无接触、对样品无破坏等优势，被广泛应用于薄膜材料光学常数、厚度等特性的测量中。但目前的椭偏数据分析仍然基于“海量试探解猜测+正向递归拟合”的方法，使用不便且门槛较高。
椭偏仪通过测量材料界面反射光偏振态的变化，分析两正交偏振光的振幅反射衰减比(Ψ)和反射相位差(Δ)，进而获得材料信息。19世纪90年代，德国科学家Paul Drude在研究“晶体边界的光反射与折射”问题时，发现了反射光的偏振态随着晶体界面状态的改变而变化，随后他对这一物理现象开展了理论研究，并建立了获得材料光学常数的数学方法，这便是椭偏仪的雏形。但受限于当时的计算条件，而不得不采用大量近似，极大影响了结果精度。随着电子计算技术的发展，1960年代至今，椭偏仪完成了自动控制与数字化数据处理的巨大进步，其测量精度与使用便利性得到大幅提高，使得椭偏仪被更多的人接收并使用，并极大拓展了椭偏仪的应用领域。
但有一个事实仍未改变：“椭偏测量是一种典型的‘逆问题’求解”。人们无法从测得的(Ψ, Δ)直接通过简单的解析计算转换为材料的参数信息。长久以来，解决这种问题的方法是“假设试探解+正向递归拟合”。在实际操作中，测量者需要首先构建待测薄膜的物理模型，根据所属材料类别，对其光学常数、厚度进行合理假设，作为初始试探解，利用薄膜光传输理论，借助最小二乘法等拟合技术，实现对所测(Ψ, Δ)数据的拟合，并在不断的反馈优化中，获得(n, κ, d)的最优解。传统上为了描述材料的光学常数，人们引入了多种色散模型，例如Cauchy、Sellmeier、Forouhi-Bloomer和Tauc-Lorentzian Drude-Lorentz模型等。同时，为了提高材料光学参数的精度，经常需要多个色散模型组合使用，这导致拟合参数数量极大增加，提高了初始试探解的猜测难度。传统技术中，整个过程需要人工手动调节，测量者需要在众多色散模型及其拟合参数组合中做出正确的选择，这一过程有时需耗费数小时甚至数天时间，严重影响椭偏测量的速度、精度与成功率。另外对于有损材料，基于(Ψ, Δ)双参量的分析方法无法（在数学上）完备地确定薄膜厚度(d)、光学常数实部(n)、光学常数虚部(κ)三个未知量。虽然引入透射率（T）或反射率（R）信息，可以弥补数学完备性，但大幅增加了拟合的难度。因此，亟需发展一种全自动、快速、准确的新型椭偏数据分析方法。
针对以上问题，南开大学刘进超副教授和任梦昕副教授、许京军教授团队利用人工智能技术发明了一种新型的全自动椭偏分析系统（英文名称SUNDIAL，意为日晷）。该系统首先利用仿真数据进行训练，以学习椭偏参数和（n, κ, d）的基本对应关系；其次，由于仿真数据与实验数据存在一定差别，导致系统模型精度不够。为此，他们提出了一种深度神经网络驱动的迭代学习框架，实现了椭偏逆问题的高精度全自动求解。相比传统椭偏数据解析方法，新技术具有极强的优越性，不仅对于(Ψ, Δ)双参量，甚至对于更加复杂的（Ψ, Δ, R, T）四参量也能实现高精度解析。把传统技术“众里寻它的偶然邂逅”变成了“灯火阑珊处的命中注定”。
这种基于现代人工智能技术的椭偏数据解析方案，实现了全自动的自主学习与数据分析，并突破传统双参量拟合技术的限制，实现了多参量辅助的椭偏测量分析，极大提高了椭偏分析的精度。该技术可免除用户在椭偏测量中所面临的数据分析困难，大幅降低了椭偏仪的使用门槛。
首页
