【仪表网 研发快讯】近日，中国科学院上海光学精密机械研究所高端光电装备部李思坤研究员团队在聚合物自洽场(SCFT)仿真与逆向导向自组装(DSA)图形化技术领域取得突破。相关研究成果以“Accelerating polymer self-consistent field simulation and inverse DSA-lithography with deep neural networks”为题发表于The Journal of Chemical Physics。
自洽场模型(SCFT)是研究嵌段共聚物(BCP)自组装的核心工具，但其仿真过程需数百甚至上千次迭代，耗时较长。尤其在逆向DSA设计等需反复调用仿真模型的应用中，计算效率瓶颈限制了设计精度与规模。现有简化模型虽然能提高速，但难以完整捕捉复杂物理信息，且多为二维模型，无法反映三维结构中的隐藏缺陷。
图1 提出方法框架。(a)基于深度学习加速SCFT仿真框架；(b)基于CMA-ES算法的DSA逆向设计框架。
研究团队提出了一种深度学习方法，以SCFT前期非平衡结果作为输入，利用U-Net架构结合周期性边界条件，实现从无序状态到平衡态的直接预测，如图1(a)所示。该方法可以在保证精度的同时实现对SCFT的显著加速。研究团队还基于协方差矩阵适应进化策略(CMA-ES)开发了DSA图形化逆向设计算法，如图1(b)所示，其中用深度神经网络替代传统仿真实现了引导模板形状的高效优化。
图2(a)(b)展示了在三维和二维large-cell的bulk体系中基于神经网络的加速仿真结果和SCFT仿真结果，仿真预测精度(AUC)可达0.87-0.97，加速5-10倍。图2(c)展示了深度学习赋能的DSA逆向优化结果，能够成功消除孔图形的不对称、埋藏缺陷和桥连缺陷，同时仿真效率相比基于SCFT的优化流程提升100倍。本研究在传统的基于严格物理模型的仿真和深度学习方法之间架起了一座桥梁，提供了高效精确的图形化仿真和逆向设计算法的新思路，有望应用在导向自组装图形化工艺优化和嵌段共聚物的理论研究中。
图2 提出的基于深度学习加速方法的仿真结果。(a) 三维bulk体系深度学习与SCFT仿真结果对比；(b)二维bulk体系深度学习与SCFT仿真结果对比；(c)基于深度学习的DSA逆向优化结果。
相关研究得到国家自然科学基金项目支持。
所有评论仅代表网友意见，与本站立场无关。