近日，上海微系统所传感器技术全国重点实验室李昕欣研究员、杨恒研究员团队在微机电系统（MEMS）精准制造与智能化领域取得重要研究进展。团队创新性地提出了一种基于物理约束变分水平集自编码器（VLSet-AE）的人工智能大模型架构，成功攻克了深反应离子刻蚀（DRIE）过程中复杂形貌特征难以高通量、高精度提取的技术瓶颈。

    相关研究成果以“AI-driven feature recognition of SEM profiles in deep reactive ion etching based on physics-constrained variational autoencoder”为题，作为Open Access文章在线发表于微纳制造领域国际顶级期刊《Microsystems & Nanoengineering》。本论文的第一作者为博士生王放，研究方向微纳芯片制造领域，重点攻关面向精准制造的AI驱动深硅刻蚀工艺优化及过程制造垂直大模型研究。

图1 面向精准制造的AI驱动深硅刻蚀工艺优化及SEM图像识别系统架构图

一、 痛点与挑战：高深宽比刻蚀的“数据获取荒”

    深反应离子刻蚀（DRIE）技术，特别是Bosch工艺，通过交替进行刻蚀与钝化循环，是实现MEMS高深宽比硅结构加工的核心工艺。然而，由于等离子体化学、离子能量等参数的复杂耦合，刻蚀过程在垂直方向上极易产生扇贝纹（Scalloping）、弓形（Bowing）及底切等非理想形貌，严重影响器件的结构可靠性。

图2 数据预处理基础：“版图-光刻-刻蚀-划片-电镜”的实际数据采集工作及刻蚀剖面图像预处理工作

    在实际的工艺线中，评估这些三维形貌极度依赖于扫描电子显微镜（SEM）的截面成像。传统的纯人工标注方式不仅耗时耗力（单张图像耗时可达1-2小时），且极易受操作员主观疲劳影响，测量误差高达15%-20%，成为了制约高通量工艺优化的核心瓶颈。尽管近年来引入了卷积神经网络（CNN）和支持向量机（SVM）等早期机器学习模型，但这些方法依赖二维静态感受野扫描，在面对DRIE典型的高噪声、低对比度SEM图像时，容易产生边界模糊和重复识别问题，准确率仅徘徊在70%-80%，难以捕捉深硅刻蚀动态演化的物理过程。

二、 模型创新：融合物理演化规律的VLSet-AE架构

图3 基于VLSet-AE模型的多特征结构尺寸自动化计算与时空特征的三维重构

    为了打破传统图像识别算法的局限，研究团队提出了一种结合变分自编码器与物理学规律的全新网络架构——VLSet-AE模型。该模型在以下三个维度实现了底层架构的创新：

（1）注入物理约束的深度解码： 模型突破了纯数据驱动的黑盒限制，在解码器损失函数中创新性地嵌入了描述界面动态运动的汉密尔顿-雅可比（Hamilton-Jacobi）方程。通过深度学习刻蚀法向速度（F），确保模型生成的水平集函数严格遵循实际的物理刻蚀动力学规律。

（2）“气球膨胀”式的自适应演化识别： 面对呈波浪状分布的复杂扇贝纹，模型采用由内向外的动态水平集演化机制。演化曲线从每一层扇贝结构的中心点初始化，如同充气气球般自适应扩张，直至触碰真实的材料物理边界后自动停止计算，从根源上消除了噪声干扰与边界重复识别现象。

（3）多维时空特征的三维重构： 团队建立了一个涵盖时间序列（循环周期）、线宽与刻蚀深度的时间尺度三维表征框架。模型不仅能对单独的扇贝切片进行精细分割，还能将其沿深度方向无缝重组，还原出极具保真度的完整三维刻蚀全貌。

三、 卓越性能：极低算力开销下的全景特征解析

图4 传统方法（边缘检测算子/神经网络感受野卷积方式）与本文提出的“气球膨胀”式算法的直观可视化对比

    为了验证模型的鲁棒性，团队设计了16组正交实验，获取了包含不同周期占比、形貌各异的1000张高质量SEM截面数据集。在严格的交叉验证下，VLSet-AE展现出了压倒性的性能优势：

（1）全维度的高测量精度： 模型实现了对九项核心关键尺寸（Critical Dimensions）的自动化精准提取。具体误差率分别为：扇贝深度（2.29%）、扇贝峰对峰宽度（2.05%）、扇贝谷对谷宽度（6.28%）、扇贝半径（4.69%）、轮廓整体角度（0.56%）、沟槽深度（5.46%）、弓形宽度（4.35%）、中部宽度（2.43%）及底部宽度（4.78%）。平均绝对误差仅为3.65%，整体识别准确率高达94.3%。

（2）极致的计算与推理能效： 相比于主流深度学习模型，VLSet-AE以仅约400万（4.0 million）的参数量和50 MB的超低内存占用，实现了20秒的极速模型训练和1.2秒/张的超快单图推理速度。与传统的CNN、LSTM、ResNet及AttentionNet等七种基准模型相比，VLSet-AE在训练效率、推理速度及预测准确度上实现了全面超越，展现出了强大的泛化能力与工业级部署潜力。

四、 总结与展望

    该项工作有效解决微纳制造中海量工艺特征数据难以规模化、自动化提取的行业难题，为实时监控刻蚀状态、优化工艺参数提供了强大的计算工具。这一物理约束的人工智能框架，不仅为DRIE工艺的智能闭环控制奠定了坚实的数据基础，也为未来微纳加工领域探索“AI大模型+精准制造”的范式转变提供了极具前瞻性的创新路径。

    本研究工作得到了国家重点研发计划项目的大力支持。

    原文链接：https://www.nature.com/articles/s41378-025-01105-z