CN112548326A - 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备 - Google Patents

一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备 Download PDF

Info

Publication number
CN112548326A
CN112548326A CN202011281956.5A CN202011281956A CN112548326A CN 112548326 A CN112548326 A CN 112548326A CN 202011281956 A CN202011281956 A CN 202011281956A CN 112548326 A CN112548326 A CN 112548326A
Authority
CN
China
Prior art keywords
deep learning
femtosecond
ridge
chip
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011281956.5A
Other languages
English (en)
Other versions
CN112548326B (zh
Inventor
曾和平
胡梦云
杨川
袁帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Chongqing Institute of East China Normal University
Shanghai Langyan Optoelectronics Technology Co Ltd
Nanjing Roi Optoelectronics Technology Co Ltd
Yunnan Huapu Quantum Material Co Ltd
Chongqing Huapu Intelligent Equipment Co Ltd
Original Assignee
East China Normal University
Chongqing Institute of East China Normal University
Shanghai Langyan Optoelectronics Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Normal University, Chongqing Institute of East China Normal University, Shanghai Langyan Optoelectronics Technology Co Ltd filed Critical East China Normal University
Priority to CN202011281956.5A priority Critical patent/CN112548326B/zh
Publication of CN112548326A publication Critical patent/CN112548326A/zh
Priority to US17/528,569 priority patent/US20220152742A1/en
Application granted granted Critical
Publication of CN112548326B publication Critical patent/CN112548326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/04—Automatically aligning, aiming or focusing the laser beam, e.g. using the back-scattered light
    • B23K26/046—Automatically focusing the laser beam
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
    • B23K26/062—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam
    • B23K26/0622—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam by shaping pulses
    • B23K26/0624—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam by shaping pulses using ultrashort pulses, i.e. pulses of 1ns or less
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/082—Scanning systems, i.e. devices involving movement of the laser beam relative to the laser head
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/362—Laser etching
    • B23K26/364—Laser etching for making a groove or trench, e.g. for scribing a break initiation groove
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/40—Removing material taking account of the properties of the material involved
    • B23K26/402—Removing material taking account of the properties of the material involved involving non-metallic material, e.g. isolators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y40/00—Manufacture or treatment of nanostructures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K2103/00—Materials to be soldered, welded or cut
    • B23K2103/50—Inorganic material, e.g. metals, not provided for in B23K2103/02 – B23K2103/26
    • B23K2103/56—Inorganic material, e.g. metals, not provided for in B23K2103/02 – B23K2103/26 semiconducting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nanotechnology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明公开了一种基于深度学习的山脊型表面5G芯片的飞秒智能加工技术与装备，利用特定偏振态的飞秒激光激励表面等离子体激元对5G芯片进行扫描加工，通过智能反馈调控激光能量、重复频率、偏振态以及扫描速度等参数，在扫描5G芯片主轨迹的同时，能够在主轨迹两侧产生周期纳米条纹刻槽，从而在5G芯片表面上形成连续的纳米山脊型结构。同时，通过调控飞秒激光加工的物理特性在光学状态与静电状态间转化，能够实现间距范围在数十纳米到数百纳米的纳米山脊型结构的加工。本发明在综合优化和提升5G芯片性能的同时，对于5G芯片加工技术具有创新意义。

Description

一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术与 装备
技术领域
本发明属于5G芯片加工技术领域，具体涉及一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术与装备。
背景技术
5G技术，即第五代移动通信技术，是最新一代蜂窝移动通信技术，被看作未来物联网、车联网等万物互联的基础。2019年被称为“5G商用元年”，随着5G的商用，将对各行各业带来技术变革，并对人类生活、生产方式带来巨大的影响。5G技术具备大带宽、高可靠低延时及大连接的优势，可有效推动行业向智慧化发展。5G芯片为5G技术用半导体元件产品的统称，是5G技术的关键部件，具有体积小、集成化和智能化程度高的特点，随着5G技术在各领域的不断应用及创新，对于5G芯片的需求及技术创新也将成为其发展的必然趋势。
飞秒激光微纳加工技术引起超短时间、超强峰值功率，飞秒激光打破了以往传统的激光加工方法，开创了材料超精细、低损伤加工处理的新领域，在精密加工、集成电路、消费电子、医学美容、航空航天、光伏能源等多个领域得到非常广泛应用。具有精确的靶向聚焦定位特点，能够聚焦超微空间。将超微细加工应用于先进制造技术，对某些关键性生产技术(如集成电路)能起到直接的推动作用。目前，飞秒激光微纳加工技术能够突破衍射极限尺寸，可达到纳米水平，能够满足5G芯片的精密切割、钻孔等加工需求，以及相关5G芯片的电路图案的直接加工。然而，随着5G技术的不断应用和发展，对5G芯片的性能要求逐渐提高，通常通过先进材料的应用、加工结构的优化、制程工艺的提高等方法和手段来实现和满足5G芯片的使用要求。显然，现有的飞秒激光微纳加工技术难以满足高性能芯片发展提出的更高加工要求，并且还存在加工速度慢、智能化程度低等问题，因此，对于应用于5G芯片的飞秒激光微纳加工技术的优化和创新是该加工技术发展的必然途径。
表面等离子体激元(Surface Plasmon Polaritons,SPPs)，即当介质表面的自由电子在与其共振频率相同的入射光照射下，自由电子与光子相互作用产生的一种电磁波模式。通常，在相同频率条件下，表面等离子体激元的波矢量大于光波矢量，需要通过耦合的方式保证激发光和表面等离子体激元的波矢相匹配，才能激光表面等离子体激元。利用表面等离子体激元可以有限地突破光学衍射极限，加工出超精细的纳米光栅结构。特别地，基于飞秒激光的表面等离子体激元技术可将飞秒激光多脉冲烧蚀的物理特性由光学状态转化为静电状态，使烧蚀加工的纳米光栅结构的尺寸突破衍射极限，实现10nm级的纳米光栅的加工。
超分辨显微成像技术，是指能够实现超光学衍射极限尺寸分辨率的显微成像技术，突破了光学显微镜分辨率极限(200nm)，实现数十纳米甚至十余纳米的超分辨率的显微成像。超分辨显微成像技术常见的方法包括：受激发射损耗显微镜技术(STED)，光激活定位显微镜技术(PALM),结构光照明技术(SIM)和随机光学重建显微技术(STORM)等。此外，利用表面等离子体激发使得表面波放大并参数成像，制得表面等离子体共振超透镜，可以实现超衍射极限的超分辨显微成像。相较于扫描电镜(SEM)、透射电镜(TEM)原子力显微镜(AFM)等技术通常对样品存在较大的破坏性，超分辨显微成像技术可不对样品造成破坏，甚至可实现生物活体样品的观测，能够更加清晰观察尺寸在200nm以内的生物结构，超分辨显微成像技术的应用对于人类科学发展，特别是生命科学方面具有重要的意义。同样，借助于超分辨显微成像技术，在微纳加工领域，可以实现对加工的超衍射极限的微纳结构进行观察和监测。利用超分辨显微成像技术能够使观察与加工过程具有更高的同步性，甚至能够实现在线实时监测。
本发明基于飞秒激光在5G芯片加工应用的基础上进行优化和创新，利用特定偏振态的飞秒激光能够调制加工出表面具有纳米山脊型结构的5G芯片，并结合飞秒激光激励表面等离子体激元能够实现超衍射极限的纳米山脊型结构(最小间距可达10nm)，通过超分辨显微成像技术和深度学习技术对加工的纳米山脊型结构进行学习和优化，提供了一种基于深度学习的山脊型表面5G芯片的飞秒智能加工技术与装备。本发明在扫描加工5G芯片主轨迹的同时，在垂直于扫描主轨迹的方向上形成了周期纳米条纹结构，整体结构类似山脊，故称为纳米山脊型结构。本发明在芯片表面加工形成的纳米山脊型结构，并且能够突破衍射极限尺寸形成可达10nm间距的纳米山脊型结构，能够显著增加芯片的表面积，提升芯片发射/接收信号的效率，从而优化芯片信号，同时，大的表面积能够提升芯片的散热效率。
发明内容
本发明的目的在于提供一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术和装备，利用特定偏振态的飞秒激光激励表面等离子体激元，基于超分辨显微成像技术并结合深度学习技术，在扫描加工过程中对飞秒激光的激光能量、重复频率、偏振态以及扫描速度等参数实现主动、实时、智能调控，能够在扫描加工5G芯片表面的主轨迹的同时调制出突破衍射极限尺寸的纳米级周期纳米条纹结构，制得山脊型表面5G芯片。基于本发明的技术和装备加工的山脊型表面5G芯片的表面积增大，可提升芯片发射/接收信号的效率，提升芯片散热效率，从而实现对芯片信号的优化。
为了实现上述目的，本发明的技术方案如下：
一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，利用特定偏振态的飞秒激光对5G芯片进行扫描加工，通过调控激光能量、重复频率、偏振态以及扫描速度等参数，在5G芯片扫描加工主轨迹的同时，能够在主轨迹两侧产生纳米级间距的周期纳米条纹，从而在5G芯片表面上形成连续的纳米山脊型结构。
一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，利用飞秒激光激励表面等离子体激元进行加工，通过调控飞秒激光烧蚀的物理特性由光学状态到静电状态转化，能够实现在5G芯片表面上形成超衍射极限的连续纳米山脊型结构。
一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，利用深度学习技术和超分辨显微成像技术相结合，能够实时获取加工位置的超分辨显微图像，能够清晰识别、分析和处理加工的纳米山脊结构的微观特征。
一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，利用深度学习技术和飞秒加工技术相结合，能够在加工过程快速、高效、智能地对加工参数进行调整和优化，加工出结构稳定、性能优异的山脊型表面5G芯片。
山脊型表面5G芯片飞秒智能加工过程中的深度学习技术具体包括如下步骤：
步骤1)、获取飞秒激光在5G芯片表面加工的纳米山脊型结构的超分辨显微图像1，去除图像周围的无效区域，保留图像中心的周期纳米条纹区域，并将图像缩放预设大小，得到目标图像1。
步骤2)、基于图像超分辨深度学习对目标图像1进行超分辨图像重建，得到超分辨显微图像2，即目标图像2，作为飞秒智能加工深度学习的训练数据。识别和处理目标图像2得到纳米山脊型结构的特征参数作为山脊型表面5G芯片飞秒智能加工深度学习的输入(x1,x2,...xi)，组成输入层X。
步骤3)、将输入层X的输入参数导入到包含M层隐藏层的飞秒智能加工神经网络中进行深度学习，各隐藏层分别为h1，h2,...hm，各隐藏层需将上一层的输入参数利用非线性激活函数f(W，b)进行非线性变换实现激活，其中W为权重值，b为偏置值，经过多层深度学习得到山脊型表面5G芯片飞秒智能加工深度学习的输出(y1,y2,...yj)，即为输出层Y。
步骤4)、通过损失函数L对山脊型表面5G芯片飞秒智能加工深度学习模型的输出值Y与目标值O的不一致性进行评估，得到损失函数值θ，完成一次深度学习的训练过程。
步骤5)、根据输出层Y中得到的(y1,y2,...yj)的数据对山脊型表面5G芯片飞秒智能加工中对应的加工参数进行调整，同时优化深度学习模型的权重W、偏置b参数。重复步骤1)-步骤4)进行飞秒智能加工深度学习的反复训练。
步骤6)、通过多次迭代深度学习，主动调整加工工艺参数，以及优化飞秒智能加工深度学习模型参数，使损失函数值θ最小，从而输出性能优异且结构稳定的纳米山脊型结构的周期纳米条纹。
所述的飞秒激光的脉冲宽度≤200fs，重复频率为1K-1GHz，激光能量0-100mW。
所述的特定偏振态通过调控控制激光偏振方向与扫描方向的呈特定偏振夹角。
所述的特定偏振夹角在扫描加工过程中通过飞秒智能加工深度学习实现实时智能调控使其保持不变。
所述的扫描加工可通过下述三种方式实现：
(a)保持加工芯片位置不变，控制激光沿着加工主轨迹进行扫描，扫描方向随加工轨迹变化，此时激光偏振方向需通过智能调控使其与扫描方向(即主轨迹)的偏振夹角保持不变；
(b)保持激光聚焦位置不变，控制芯片沿着加工主轨迹运动实现扫描，同时调控芯片位置和方向，保持芯片相对与激光的瞬时运动方向保持一定，此时激光偏振方向无需调控；
(c)保持激光扫描方向不变，调控芯片的位置和方向，使在保持扫描方向不变的情况下扫描加工出主轨迹，此时激光偏振方向无需调控。
所述的扫描速度范围为100-1000μm/s。
所述的纳米山脊型结构的周期纳米条纹为等间距稳定结构，通过控制飞秒激光烧蚀在光学状态和静电状态的转化，能够实现间距值可在10nm-1μm范围内调控，其中，所述的超衍射极限的连续纳米山脊型结构的周期纳米条纹间距值在10nm-200nm范围。
所述的超衍射极限的连续纳米山脊型结构的周期纳米条纹基于飞秒激光激励表面等离子体激元实现，通过控制激光功率接近损伤阈值，以及脉冲数量使飞秒激光烧蚀的物理特性转化为静电状态，实现超快、非热效应加工。
所述的周期纳米条纹与扫描主轨迹可呈0-90°夹角，优选互相垂直呈90°夹角。
所述的超分辨显微成像技术可采用基于表面等离子体共振的超透镜成像技术。
所述的超分辨显微成像技术也可采用受激发射损耗显微镜技术(STED)，光激活定位显微镜技术(PALM),结构光照明技术(SIM)和随机光学重建显微技术(STORM)等。
所述的深度学习技术包括图像超分辨深度学习和飞秒智能加工深度学习。
所述的图像超分辨深度学习已建立准确的深度学习模型，实现纳米山脊型结构超分辨显微图像的实时输出。
所述的飞秒智能加工深度学习建立初始化的深度学习模型，需在飞秒智能加工过程进行训练和优化，实现纳米山脊型结构的加工参数调整和优化的实时输出。
所述的步骤1)中的超分辨显微图像1的获取频率≥50fps，保证纳米山脊型结构图像数据的大量性、快速性和真实性。
所述的目标图像1经裁剪和缩放等预处理后具有高度一致性，保持相一致的图像特征。
所述的步骤2)中的图像超分辨深度学习可对获取的目标图像1选择性采用。
优选地，利用基于图像超分辨深度学习对目标图像1进行超分辨图像重建，实现对图像分辨率的进一步优化。
所述的步骤2)中的飞秒智能加工深度学习的输入层X的输入参数为一维向量(x1,x2,...xi)，输入参数涵盖了加工的纳米山脊型结构的所有特征数据，具体包括：周期纳米条纹的长度、间距、平行度等特征参数。
所述的输入参数经对目标图像2的识别、数据增强、数据预处理后获取。不同训练过程中的输入层X的输入参数获取、识别和处理方法保持一致。
所述的输入参数对应的特征和数量可由深度学习模型自动学习获取。
所述的目标图像2需满足在预设图像尺寸内清晰识别纳米山脊型结构的周期纳米条纹特征。
所述的步骤3)在飞秒智能加工深度学习过程中的M层隐藏层分别用h1,h2,...hm表示，各隐藏层通过非线性激活函数激活，可表示为：
h1＝f(W1X+b1)
h2＝f(W2h1+b2)
hm＝f(Wmhm-1+bm)
其中，W1,W2,...Wm和b1,b2,...bm分别为各对应隐藏层的权重值和偏置值，均为对应的矩阵向量。
所述的步骤3)中的输出层Y为一维向量(y1,y2,...yj),其中各分量分别对应山脊型表面5G芯片飞秒智能加工参数的调整状态，具体包括：激光能量、重复频率、偏振态、扫描速度等参数。经过深度学习的输出Y可表示为：
Y＝f(Wm+1hm+bm+1)
其中，Wm+1和bm+1分别为输出层的权重值和偏置值，为对应的矩阵向量。
所述的输出层Y的各输出参数值分别对应山脊型表面5G芯片飞秒智能加工的实时参数情况，根据输出参数值对飞秒智能加工的实时参数进行调整。
所述的W1,W2,...Wm,Wm+1和b1,b2,...bm,bm+1在深度学习训练之前需进行模型的初始化。山脊型表面5G芯片飞秒智能加工中镶嵌的深度学习算法中确定的非线性激活函数相应初始化方法，在加工参数设定的同时实现对上述参数初始化。
所述的步骤4)中的损失函数值θ可表示为：
θ＝L(Y,O)
所述的损失函数值θ反映了深度学习模型的准确性。
所述的步骤5)反复训练中对飞秒智能加工深度学习的反复训练对模型中的权重值W和偏置值b进行优化，实现对深度学习模型的训练和优化。从而实现山脊型表面5G芯片飞秒智能加工对纳米山脊型结构的智能调控，优化纳米山脊型结构。
所述的损伤函数值θ在反复训练过程中逐渐变小，不断逼近最小值。对应山脊型表面5G芯片飞秒智能加工中的智能调控阶段。
所述的反复训练中对飞秒智能加工的实时参数进行调整。
所述的步骤6)的损失函数值θ被最终优化为最小值，优化得到准确、稳定的飞秒智能加工深度学习模型。从而实现山脊型表面5G芯片飞秒智能加工对纳米山脊型结构的稳定加工，形成高稳定性、高一致性的纳米山脊型结构。
所述的深度学习覆盖整个山脊型表面5G芯片飞秒智能加工过程，实现对纳米山脊型结构的周期纳米条纹的智能调控。
所述的纳米山脊型结构在芯片的加工主轨迹的两侧形成方向垂直与主轨迹的周期纳米条纹结构，从而一定程度上增大了芯片的表面积，更大的表面积对应更良好的信号发射/接收效率，以及优化的散热效率。
在本发明的另一方面，提供了一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，包括激光模块100、扫描模块200、聚焦模块300、成像模块400、调控模块500、定位模块600、加工平台700和控制模块800。
所述的激光模块100可输出脉冲宽度、激光能量、重复频率以及偏振态可调控的飞秒激光，作为加工的能量源。
所述的扫描模块200可实现激光光斑的高精度快速定位和智能扫描。
所述的扫描模块200可实现在XY平面内任意方向高精度平动实现扫描加工。
所述的聚焦模块300可实现对飞秒激光的超精密智能聚焦。
所述的成像模块400采用可实现自动聚焦的超分辨显微成像系统，实现对加工位置的实时超分辨显微成像，所获取图像的分辨率可达10-60nm。
所述的成像模块400可实现对加工位置的实时图像拍照，拍摄频率≥50fps。
所述的成像模块400可实现对深度学习目标图像1的获取。
所述的调控模块500实现对加工平台的高精密智能运动控制。
所述的调控模块500可实现XYZ方向的平动及Z轴转动，实现5G芯片任意位置和方向的智能调控。
所述的调控模块500也可实现对加工过程中的扫描速度和扫描方向的调控。
所述的扫描方式可采用：
(a)扫描模块200控制扫描速度和扫描方向；
(b)调控模块500控制扫描速度和扫描方向；
(c)扫描模块200控制扫描速度，调控模块500控制扫描方向；或
(d)它们的组合。
所述的定位模块600实现对加工芯片位置的智能定位。
所述的加工平台700用于放置和固定待加工芯片。
所述的控制模块800实现对激光模块100、扫描模块200、成像模块400、调控模块500和定位模块600的控制。
所述的控制模块800内镶嵌深度学习模块801。
所述的深度学习模块801包括图像超分辨深度学习模型和飞秒智能加工深度学习模型。其中，图像超分辨深度学习模型已经过大量类似图像进行深度学习和训练，深度学习模型为经过优化的精准模型；飞秒智能加工深度学习模型未经过学习和训练，需在加工过程中进行深度学习和训练，深度学习模型为初始模型。
所述的深度学习模块801对成像模块400获取的目标图像1进行图像超分辨深度学习，得到分辨率优于10nm的目标图像2，并进行识别和处理，作为飞秒智能加工深度学习的输入。
所述的深度学习模块801根据飞秒智能加工深度学习的输出对激光模块100、扫描模块200以及调控模块500的加工参数进行调整。
所述的深度学习模块801经多次迭代深度学习，能够优化建立高准确性、高稳定性的飞秒智能加工深度学习模型。
本发明应用于5G芯片的飞秒激光加工中，与现有的飞秒激光5G芯片加工技术相比主要具有以下优点：
1、本发明利用飞秒激光特定偏振态对芯片加工的特殊作用机制，可以提供一种具有特殊调制表面结构5G芯片的加工技术。特别地，基于表面等离子体激元的飞秒激光加工能够突破衍射极限的形成最优10nm级的周期纳米条纹的纳米山脊型结构，并应用于5G领域相关芯片，也可用拓展用于其他领域用芯片的应用，通过增大芯片表面积，优化芯片信号及散热效率。本发明基于飞秒激光的加工特性调制出具有特殊特征的微结构，对于5G芯片加工技术具有创新意义。
2、本发明相较于直接扫描方式获得间隔数十纳米到数百纳米的纳米山脊型结构具有显著的优势和创新性。直接扫描方式加工相近周期纳米条纹的纳米山脊型结构需要光机电都有很高的精度，因此成本更高；此外，激光要扫描经过每一条纳米山脊型结构的周期纳米条纹，耗时太大。本发明不需要太高精度，同时只需要扫描一次就可以获得复杂结构，因此成本低产率高，更具实用化。
3、本发明结合了深度学习技术，首先通过已建立的精准图像超分辨深度学习模型对实时加工的超分辨显微图像进行超分辨图像重建，进一步提高图像的分辨率；然后输入经过超分辨重建优化的实时加工图像进行飞秒智能加工深度学习，对飞秒智能加工深度学习模型进行优化，同时，深度学习的多次迭代反馈实现对加工参数的主动调整和优化，加工形成的微结构更加准确和稳定，加工技术更具备高智能化、高准确性、快速性和高稳定性的特点。
附图说明
图1为本发明山脊型表面5G芯片飞秒智能加工的光路示意图。
图2为本发明在5G芯片表面加工纳米山脊型结构的示意图。
图3为本发明的加工山脊型表面5G芯片的智能调控示意图。
图4为本发明的装备组成单元示意图。
图5为本发明的深度学习过程示意图：(a)山脊型表面5G芯片的图像超分辨深度学习过程示意图；(b)山脊型表面5G芯片的飞秒智能加工深度学习过程示意图。
图6为本发明的加工工艺流程图。
具体实施方式
以下实施例将结合附图对本发明做一进步地描述和说明，本实施例采用了保持激光聚焦位置不变，控制芯片运动并调控其位置和方向的实施方式，此方式在保持扫描加工方向不变的情况下扫描加工出主轨迹，无需对激光偏振方向进行调控。但本实施例不能用于限制本发明，凡是采用本发明的相似方法及其相似变化，均应列入本发明的保护范围。
图1为本发明山脊型表面5G芯片飞秒智能加工的光路示意图，本实施例将超分辨显微系统融入到飞秒智能加工光路之中，通过控制三维微纳平台控制芯片运动调控其位置和方向，从而精确调控飞秒智能加工过程的扫描速度和扫描方向。具体包括飞秒激光器(01)，快门(02),衰减片(03),透镜组合(04，05),半波片(06),偏振片(07),扫描系统(08)，目镜(09),超分辨显微系统(10)，高倍物镜(11)，待加工芯片(12)，三维微纳平台(13)，高集成化控制箱(14)，计算机系统(15)。其中，计算机系统(14)通过高集成化控制箱(13)实现对飞秒激光器(01)，扫描系统(08)，超分辨显微系统(10)和三维微纳平台(13)等的控制，具体实现对飞秒激光器(01)输出飞秒激光的脉冲宽度、激光能量、重复频率以及偏振态等参数的调控，实现对扫描系统(08)的XY向高精密调控，精确控制激光聚焦位置，实现对超分辨显微系统(10)中飞秒智能加工的实时显微图像获取的调控，以及实现三维微纳平台(13)的XYZ方向及Z轴角度，以及运动速度的调控，从而调控待加工芯片(12)位置和方向，以及扫描速度和扫描方向的调控。
飞秒激光由飞秒激光器(01)输出，经过快门(02)和衰减片(03)控制激光启闭和激光能量的调控，再经透镜组合(04,05)进行激光光束准直和整形，通过半波片(06)和偏振片(07)进行激光偏振态的调控，通过扫描系统(08)精确调控激光的入射方向经超分辨显微系统(10)的目镜(09)导入到超分辨显微系统光路中，通过超分辨显微系统(10)的高倍物镜(11)将激光聚焦对待加工芯片(12)进行智能加工。其中，扫描系统(08)通过精确调控激光导入超分辨显微系统(11)的方向，使激光聚焦位置与显微成像位置保持一致；超分辨显微系统(11)包括CCD成像系统能够获取加工位置的实时超分辨显微图像，图像分辨率为10-60nm，并对导入其中的飞秒激光进行聚焦，保持激光聚焦位置不变；待加工芯片(12)放置在三维微纳平台(13)上，在加工过程中通过对X、Y、Z向平移和Z轴旋转的高精密控制，控制芯片沿着主轨迹运动实现扫描加工，同时通过对待加工芯片(12)的位置和方向的调控，实时调控加工主轨迹点的切向方向与扫描方向一致。
上述中的超分辨显微系统(10)基于表面等离子体共振超透镜成像技术实现，也可采用现有超分辨显微成像技术，包括，如受激发射损耗显微镜技术(STED)，光激活定位显微镜技术(PALM),结构光照明技术(SIM)和随机光学重建显微技术(STORM)等超分辨显微成像技术。通过直接将超分辨显微系统(10)集成在飞秒加工系统装置中，实现对加工过程中的实时观测以及超分辨显微图像的实时获取和采集，可得到分辨率在10-60nm的超分辨显微图像。利用飞秒激光激励表面等离子体来放大表面波，使得表面波携带的高频信息参与成像过程，经过优化可实现分辨率在10-60nm的超衍射成像。
图2为本发明在5G芯片表面加工纳米山脊型结构的示意图。飞秒激光01聚焦在芯片02表面，通过控制激光能量、重复频率、偏振态以及扫描速度等参数加工出纳米山脊型结构03，具体如图2(a)所示。智能调控加工的纳米山脊型结构示意图如图2(b)所示，纳米山脊型结构包括扫描加工的主轨迹结构和调制出的连续周期纳米条纹结构，其中扫描加工的主轨迹结构由激光加工聚焦光斑的尺寸决定，调制出的连续纳米条纹结构由激光能量、重复频率、偏振态以及扫描速度等参数共同决定，从而可实现对长度L、宽度D、周期间距l和角度α等主要参数的调控。
结合图2所示，此类纳米山脊型结构的形成机理为：飞秒激光作用在芯片材料表面时，飞秒激光辐照能量高于激光对材料的作用阈值，且控制激光能量不能过高避免对材料加工区域形成烧蚀孔，在多脉冲作用下会在材料的表面产生纳米光栅条纹，且条纹间距均匀，周期性方向与激光的偏振方向相关，这种纳米光栅条纹是激光光波对材料的作用而形成的，通过控制激光能量、重复频率、偏振态，以及合适的扫描速度，即可在5G芯片表面加工出由周期纳米条纹构成的纳米山脊型结构。
特别地，基于表面等离子体激元的飞秒激光加工技术，通过调控飞秒激光的激光功率和脉冲数量，能够实现飞秒激光加工的物理特性由光学状态到静电状态转化，使加工过程由非超快、热效应转化为超快、非热效应加工。具体来说，通过控制激光功率与材料的损伤阈值相近，并调控多脉冲反馈，在静电状态的飞秒激光加工作用下能够加工形成超精细的周期纳米条纹，条纹周期间距能够突破衍射极限尺寸，最优可实现10nm级间距的周期纳米条纹调控，能够实现10-200nm的周期纳米条纹的加工和调控；而当控制激光功率高于材料的损伤阈值时，在光学状态下，飞秒激光加工同样能够加工形成周期纳米条纹，但该周期纳米条纹不能够突破衍射极限尺寸，能够实现200nm-1μm的周期纳米条纹的加工和调控。所以，通过控制激光照射的功率条件，能够实现飞秒激光加工的不同物理特性的转化，结合扫描加工能够实现10nm-1μm的周期纳米条纹构成的纳米山脊型结构的加工。
图3为本发明的加工山脊型表面5G芯片的智能调控示意图。此实施方式为采用了保持激光聚焦位置不变，控制芯片运动并调控其位置和方向。图3中所示的扫描方向即为激光聚焦位置与芯片间的相对运动方向，在加工过程中通过调控芯片的位置和方向在扫描速度和扫描方向一定的情况下加工出芯片所需的轨迹。首先调控激光偏振方向和扫描方向保持为夹角β，并且在加工过程中激光偏振方向和扫描方向保持不变，通过调控三维微纳平台控制芯片的运动及实时方位执行扫描加工，如情况Ⅰ待加工轨迹与设定扫描方向及芯片方位一致时，控制三维微纳平台以一定的扫描速度使芯片相对于扫描方向反向平移运动，进行芯片扫描加工，在加工过程中通过调控三维微纳平台旋转和平移控制芯片的方位使待加工点轨迹的切线方向与扫描方向始终保持一致，完成对任意轨迹的加工，加工中的调控过程如情况Ⅱ和Ⅲ。利用本发明通过对芯片加工位置和方向及运动速度的智能调控方法，加工出的纳米山脊型结构始终与加工轨迹保持一致。
图4所示为本发明的装备组成单元示意图，其中组成单元包括激光模块100、扫描模块200、聚焦模块300、成像模块400、调控模块500、定位模块600、加工平台700和控制模块800，其中控制模块内镶嵌了深度学习模块801。
具体来说，激光模块100输出飞秒激光，并且可对输出飞秒激光的激光能量、重复频率和偏振态进行调控，满足芯片的表面纳米山脊型结构的加工需要。输出的飞秒激光经过扫描模块200实现高精密快速智能扫描，并经聚焦模块300超精密智能聚焦后作用在加工平台700上的待加工芯片表面，利用调控模块500和定位模块600能够实现对加工平台700上的待加工芯片的高精密智能运动和定位，控制芯片的位置和方向，实现智能加工。在芯片加工过程中，成像模块400采用了超分辨显微成像系统，可对芯片的加工过程和加工状态进行实时的监控和记录，该系统能够突破光学衍射极限分辨率(200nm)，并且能够获得分辨率在10-60nm的超分辨显微图像。控制系统800对整个装备实现智能控制，主要控制包括激光模块100、扫描模块200、调控模块500和定位模块600。其中，控制系统800中镶嵌的深度学习模块801主要包括两部分：1)图像超分辨深度学习，该深度学习已基于大量的训练图像建立了准确的深度学习模型；2)飞秒智能加工深度学习，该深度学习需要在山脊型表面5G芯片飞秒智能加工过程中的不断训练和学习对建立的深度学习模型进行训练和优化。
图5为本发明的深度学习过程示意图，包括图像超分辨深度学习和飞秒智能加工深度学习。如图5(a)所示为超分辨图像获取和处理的过程，成像模块400中的超分辨显微成像系统获取的分辨率在10-60nm的超分辨显微图像1，经过识别、处理，裁剪到特定范围并缩放至制定尺寸，得到分辨率降低的目标图像1，输入到深度学习模块801中已建立的图像超分辨深度学习模型进行超分辨图像重建得到分辨率优于10nm的超分辨显微图像2，在该分辨率条件下能够清晰识别纳米山脊型结构的特征，其中已建立的图像超分辨深度学习模型为通过大量训练图像进行训练和学习优化和确定的精准的深度学习模型，训练库中的图像为各类型相似的纳米光栅结构的微观图片。图5(b)所示为飞秒智能加工和调控过程，在飞秒智能加工深度学习过程中，获取的分辨率优于10nm的超分辨显微图像2(即目标图像2)经过识别、分析、处理后作为输入参数输入深度学习模块801中的飞秒智能加工深度学习模型进行深度学习训练，经过深度学习后输出参数转换为控制信号通过控制模块反馈给激光模块100和扫描模块200，对相应的加工参数进行调整，加工5G芯片实现对实时加工的纳米山脊型结构的优化，同时实时图像更新得到优化后的目标图像2，重复上述过程进行深度学习训练。通过在加工过程的不断地深度学习，本发明的装备能够实现对山脊型表面5G芯片飞秒智能加工。
具体来说，深度学习模块801中的深度学习模型由神经网络，图像超分辨深度学习模型为已通过训练和学习确定，而飞秒智能加工深度学习模型则需要在飞秒加工过程中进行训练和学习，对模型进行优化，如图5(b)所示。飞秒智能加工深度学习的神经网络模型，包括输入层X、隐藏层h1,h2,...,hm、输出层Y，每一层由多个节点组成，各层之间通过由(W,b)组成的非线性激活函数进行激活。本发明将经过预处理的纳米山脊型结构的周期纳米条纹图像特征作为特征参数输入到输入层X中，经过M层隐藏层进行深度学习，得到输出层Y，根据输出层Y的输出结果对山脊型表面5G芯片飞秒智能加工装备的相关控制参数进行调控，进而反馈至激光模块100和扫描模块200进行参数调整。经过在加工过程中的不断的深度学习及反馈，实现对加工参数的智能调控和优化，同时对在5G芯片表面加工的纳米山脊型结构进行不同调整和优化，并逐步稳定加工参数，加工出结构稳定、性能优异的有周期纳米条纹构成的纳米山脊型结构。
图6为本发明的加工工艺流程。
总体来说，通过计算机根据芯片的加工要求设定加工程序，结合深度学习技术实现和执行对芯片的加工及加工过程的智能调控。具体过程包括如下：
首先，将准备好的待加工芯片放置在加工平台，加工平台此时位于初始原点位置。
随后，设置扫描加工的主轨迹，包括扫描起始点、扫描路径和扫描结束点。根据设定的扫描加工的主轨迹，确定了三维微纳平台的调控程序。
随后，设置激光的输出参数，包括：激光能量、重复频率、偏振态等参数。
随后，设置扫描系统的扫描方向及扫描速度。
随后，调控激光的偏振方向，使激光偏振方向与设定的扫描方向呈β夹角。并且在扫描加工过程中，保证激光偏振方向与扫描方向的β夹角一定。在智能加工过程中，允许系统根据深度学习计算结果对扫描方向进行调控。
随后，扫描系统移至扫描起始点位置，同时开启激光，进行芯片的扫描加工。加工过程中，装备中的超分辨显微成像系统实时获取分辨率10-60nm的超分辨显微图像1经过识别、分析和处理先输入到图像超分辨深度学习模型，经深度学习计算后输出分辨率优于10nm的超分辨显微图像2；再将超分辨显微图像2经过识别、分析和处理输入到飞秒智能加工深度学习模型中，对模型进行深度学习和训练，根据输出的参数转变为控制信号从而反馈给激光器和扫描系统进行参数的调整，进而再继续扫描加工。通过深度学习的实时训练和反馈对加工过程实现智能调控。
同时，在加工过程中，根据设置的扫描加工主轨迹，以及设置和优化调控的扫描方向和扫描速度，确定的三维微纳平台调控程序控制三维微纳平台使芯片运动，实时调控芯片的位置和方向，使扫描系统的扫描方向与待加工轨迹的切向方向保持一致。
随后，通过上述的基于深度学习的智能调控加工过程，在5G芯片表面加工出了结构稳定，性能优异的具有周期纳米条纹的纳米山脊型结构。
最后，完成芯片的加工，自动调控扫描系统和三维微纳平台复位至初始原点位置，取出加工完成的芯片。
在整个加工过程中，基于深度学习技术通过对实时加工的纳米山脊型结构的特征的大量和快速训练，实时快速反馈装备系统进行主动调整，从而实现加工参数及状态的实时修正和优化，实现了加工技术的高智能化、高准确性、快速性和高稳定性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (24)

1.一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于：
(1)利用特定偏振态的飞秒激光对5G芯片进行扫描加工，通过调控激光能量、重复频率、偏振态以及扫描速度等参数，在5G芯片扫描加工主轨迹的同时，能够在主轨迹两侧产生纳米级间距的周期纳米条纹，从而在5G芯片表面上形成连续的纳米山脊型结构。
(2)利用飞秒激光激励表面等离子体激元进行扫描加工，通过调控飞秒激光烧蚀的物理特性由光学状态到静电状态转化，能够实现在5G芯片表面上形成超衍射极限的连续纳米山脊型结构。
(3)利用深度学习技术和超分辨显微成像技术相结合，能够实时获取加工位置的超分辨显微图像，能够清晰识别、分析和处理加工的纳米山脊结构的微观特征。
(4)利用深度学习技术和飞秒加工技术相结合，能够在加工过程快速、高效、智能地对加工参数进行调整和优化，加工出结构稳定、性能优异的山脊型表面5G芯片。
山脊型表面5G芯片飞秒智能加工过程中的深度学习技术具体包括如下步骤：
步骤1)、获取飞秒激光在5G芯片表面加工的纳米山脊型结构的超分辨显微图像1，去除图像周围的无效区域，保留图像中心的周期纳米条纹区域，并将图像缩放预设大小，得到目标图像1。
步骤2)、基于图像超分辨深度学习对目标图像1进行超分辨图像重建，得到超分辨显微图像2，即目标图像2。识别和处理目标图像2得到纳米山脊型结构的特征参数作为山脊型表面5G芯片飞秒智能加工深度学习的输入(x1,x2,...xi)，组成输入层X。
步骤3)、将输入层X的输入参数导入到包含M层隐藏层的飞秒智能加工神经网络中进行深度学习，各隐藏层分别为h1，h2,...hm，各隐藏层需将上一层的输入参数利用非线性激活函数f(W，b)进行非线性变换实现激活，其中W为权重值，b为偏置值，经过多层深度学习得到山脊型表面5G芯片飞秒智能加工深度学习的输出(y1,y2,...yj)，即为输出层Y。
步骤4)、通过损失函数L对山脊型表面5G芯片飞秒智能加工深度学习模型的输出值Y与目标值O的不一致性进行评估，得到损失函数值θ，完成一次深度学习的训练过程。
步骤5)、根据输出层Y中得到的(y1,y2,...yj)的数据对山脊型表面5G芯片飞秒智能加工中对应的加工参数进行调整，同时优化深度学习模型的权重W、偏置b参数。重复步骤1)-步骤4)进行飞秒智能加工深度学习的反复训练。
步骤6)、通过多次迭代深度学习，主动调整加工工艺参数，以及优化飞秒智能加工深度学习模型参数，使损失函数值θ最小，从而输出性能优异且结构稳定的纳米山脊型结构的周期纳米条纹。
2.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的飞秒激光的脉冲宽度≤200fs，重复频率为1K-1GHz，激光能量0-100mW。
3.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的特定偏振态通过调控控制激光偏振方向与扫描方向的呈特定偏振夹角。
所述的特定偏振夹角在扫描加工过程中通过飞秒智能加工深度学习实现实时智能调控使其保持不变。
4.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的扫描速度范围为100-1000μm/s。
5.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的纳米山脊型结构的周期纳米条纹为等间距稳定结构，通过控制飞秒激光烧蚀在光学状态和静电状态的转化，能够实现间距值可在10nm-1μm范围内调控，其中，所述的超衍射极限的连续纳米山脊型结构的周期纳米条纹间距值在10nm-200nm范围。
所述的超衍射极限的连续纳米山脊型结构的周期纳米条纹基于飞秒激光激励表面等离子体激元实现，通过控制激光功率接近损伤阈值，以及脉冲数量使飞秒激光烧蚀的物理特性转化为静电状态，实现超快、非热效应加工。
所述的周期纳米条纹与扫描主轨迹可呈0-90°夹角，优选互相垂直呈90°夹角。
6.根据权利要求1所述的一种基于深度学习的山脊型5G芯片飞秒智能加工技术，其特征在于，所述的超分辨显微成像技术可采用基于表面等离子体共振的超透镜成像技术。
所述的超分辨显微成像技术也可采用受激发射损耗显微镜技术(STED)，光激活定位显微镜技术(PALM),结构光照明技术(SIM)和随机光学重建显微技术(STORM)等。
7.根据权利要求1所述的一种基于深度学习的山脊型5G芯片飞秒智能加工技术，其特征在于，所述的深度学习技术包括图像超分辨深度学习和飞秒智能加工深度学习。
所述的图像超分辨深度学习已建立准确的深度学习模型，实现纳米山脊型结构超分辨显微图像的实时输出。
所述的飞秒智能加工深度学习建立初始化的深度学习模型，需在飞秒智能加工过程进行训练和优化，实现纳米山脊型结构的加工参数调整和优化的实时输出。
8.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的步骤2)中的图像超分辨深度学习可对获取的目标图像1选择性采用。
优选地，利用基于图像超分辨深度学习对目标图像1进行超分辨图像重建，实现对图像分辨率的进一步优化。
9.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的步骤2)中的飞秒智能加工深度学习的输入层X的输入参数为一维向量(x1,x2,...xi)，输入参数涵盖了加工的纳米山脊型结构的所有特征数据，具体包括：周期纳米条纹的长度、间距、平行度等特征参数。
所述的输入参数经对目标图像2的识别、数据增强、数据预处理后获取。不同训练过程中的输入层X的输入参数获取、识别和处理方法保持一致。
所述的输入参数对应的特征和数量可由深度学习模型自动学习获取。
所述的目标图像2需满足在预设图像尺寸内清晰识别纳米山脊型结构的周期纳米条纹特征。
10.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的步骤3)在飞秒智能加工深度学习过程中的M层隐藏层分别用h1,h2,...hm表示，各隐藏层通过非线性激活函数激活，可表示为：
h1＝f(W1X+b1)
h2＝f(W2h1+b2)
...
hm＝f(Wmhm-1+bm)
其中，W1,W2,...Wm和b1,b2,...bm分别为各对应隐藏层的权重值和偏置值，均为对应的矩阵向量。
所述的步骤3)中的飞秒智能加工的输出层Y为一维向量(y1,y2,...yj),其中各分量分别对应山脊型表面5G芯片飞秒智能加工参数的调整状态，具体包括：激光能量、重复频率、偏振态、扫描速度等参数。经过深度学习的输出Y可表示为：
Y＝f(Wm+1hm+bm+1)
其中，Wm+1和bm+1分别为输出层的权重值和偏置值，为对应的矩阵向量。
所述的输出层Y的各输出参数值分别对应山脊型表面5G芯片飞秒智能加工的实时参数情况，根据输出参数值对飞秒智能加工的实时参数进行调整。
所述的W1,W2,...Wm,Wm+1和b1,b2,...bm,bm+1在深度学习训练之前需进行模型的初始化。山脊型表面5G芯片飞秒智能加工中镶嵌的深度学习算法中确定的非线性激活函数相应初始化方法，在加工参数设定的同时实现对上述参数初始化。
11.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的步骤5)中的飞秒智能加工深度学习的反复训练对模型中的权重值W和偏置值b进行优化，实现对深度学习模型的训练和优化。从而实现山脊型表面5G芯片飞秒智能加工对纳米山脊型结构的智能调控，优化纳米山脊型结构。
所述的损伤函数值θ在反复训练过程中逐渐变小，不断逼近最小值。对应山脊型表面5G芯片飞秒智能加工中的智能调控阶段。
所述的反复训练中对飞秒智能加工的实时参数进行调整。
12.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的步骤6)的损失函数值θ被最终优化为最小值，优化得到准确、稳定的飞秒智能加工深度学习模型。从而实现山脊型表面5G芯片飞秒智能加工对纳米山脊型结构的稳定加工，形成高稳定性、高一致性的纳米山脊型结构。
13.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的深度学习覆盖整个山脊型表面5G芯片飞秒智能加工过程，实现对纳米山脊型结构的周期纳米条纹的智能调控。
14.根据权利要求1所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工技术，其特征在于，所述的纳米山脊型结构在芯片的加工主轨迹的两侧形成方向垂直与主轨迹的周期纳米条纹结构，从而一定程度上增大了芯片的表面积，更大的表面积对应更良好的信号发射/接收效率，以及优化的散热效率。
15.一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，包括激光模块100、扫描模块200、聚焦模块300、成像模块400、调控模块500、定位模块600、加工平台700和控制模块800。
16.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的激光模块100可输出脉冲宽度、激光能量、重复频率以及偏振态可调控的飞秒激光，作为加工的能量源。
17.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的扫描模块200可实现激光光斑的高精度快速定位和智能扫描。
所述的扫描模块200可实现在XY平面内任意方向高精度平动实现扫描加工。
18.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的聚焦模块300可实现对飞秒激光的超精密智能聚焦。
19.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的成像模块400采用可实现自动聚焦的超分辨显微成像系统，实现对加工位置的实时超分辨显微成像。
所述的成像模块400可实现对加工位置的实时图像拍照，拍摄频率≥50fps。
所述的成像模块400可实现对深度学习目标图像1的获取。
20.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的调控模块500实现对加工平台的高精密智能运动控制。
所述的调控模块500可实现XYZ方向的平动及Z轴转动，实现5G芯片任意位置和方向的智能调控。
所述的调控模块500也可实现对加工过程中的扫描速度和扫描方向的调控。
21.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的扫描方式可采用：
(a)扫描模块200控制扫描速度和扫描方向；
(b)调控模块500控制扫描速度和扫描方向；
(c)扫描模块200控制扫描速度，调控模块500控制扫描方向；或
(d)它们的组合。
22.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的定位模块600实现对加工芯片位置的智能定位。
23.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的加工平台700用于放置和固定待加工芯片。
24.根据权利要求15所述的一种基于深度学习的山脊型表面5G芯片飞秒智能加工装备，其特征在于，所述的控制模块800实现对激光模块100、扫描模块200、成像模块400、调控模块500和定位模块600的控制。
所述的控制模块800内镶嵌深度学习模块801。
所述的深度学习模块801对成像模块400获取的目标图像1进行图像超分辨深度学习，得到超分辨的目标图像2，并进行识别和处理，作为飞秒智能加工深度学习的输入。
所述的深度学习模块801根据飞秒智能加工深度学习的输出对激光模块100、扫描模块200以及调控模块500的加工参数进行调整。
所述的深度学习模块801经多次迭代深度学习，能够优化建立高准确性、高稳定性的飞秒智能加工深度学习模型。
CN202011281956.5A 2020-11-17 2020-11-17 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备 Active CN112548326B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011281956.5A CN112548326B (zh) 2020-11-17 2020-11-17 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备
US17/528,569 US20220152742A1 (en) 2020-11-17 2021-11-17 Method and apparatus for processing chip based on deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281956.5A CN112548326B (zh) 2020-11-17 2020-11-17 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备

Publications (2)

Publication Number Publication Date
CN112548326A true CN112548326A (zh) 2021-03-26
CN112548326B CN112548326B (zh) 2023-10-13

Family

ID=75042486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281956.5A Active CN112548326B (zh) 2020-11-17 2020-11-17 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备

Country Status (2)

Country Link
US (1) US20220152742A1 (zh)
CN (1) CN112548326B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092329A (zh) * 2021-11-19 2022-02-25 复旦大学 一种基于亚像素神经网络的超分辨荧光显微成像方法
CN115971641A (zh) * 2022-12-21 2023-04-18 中国科学院上海光学精密机械研究所 微纳米量级光芯片的非接触式修复设备及方法
CN117970618A (zh) * 2024-03-28 2024-05-03 西北工业大学 一种动态高分辨率表面等离子体共振全息显微成像方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115437091B (zh) * 2022-08-31 2024-07-05 武汉大学 一种时域拉伸显微成像流式检测芯片、时域拉伸成像系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200529428A (en) * 2004-01-30 2005-09-01 Triquint Semiconductor Inc Bipolar junction transistor geometry
CN101319347A (zh) * 2008-05-20 2008-12-10 上海大学 飞秒激光在晶体表面自组织生长微纳米结构的方法
CN102735617A (zh) * 2012-06-29 2012-10-17 浙江大学 一种超分辨显微方法和装置
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
CN108620728A (zh) * 2018-05-09 2018-10-09 广州大学 半导体硅表面大面积规则分布纳米孔阵列结构制备方法
CN109365995A (zh) * 2018-12-06 2019-02-22 哈尔滨工业大学 一种高度均一的微锥阵列结构的制备方法
CN109848565A (zh) * 2019-04-02 2019-06-07 西安交通大学 基于等离子体纳米结构辅助的飞秒激光纳米加工方法及系统
CN109865939A (zh) * 2019-01-22 2019-06-11 华东师范大学 一种双飞秒激光束柱透镜汇聚干涉制备大面积周期微纳结构的装置
CN110175955A (zh) * 2019-06-10 2019-08-27 谢耀华 一种利用预处理和后处理来提高光学显微系统分辨率的方法
CN111504227A (zh) * 2020-06-17 2020-08-07 北京理工大学 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200529428A (en) * 2004-01-30 2005-09-01 Triquint Semiconductor Inc Bipolar junction transistor geometry
CN101319347A (zh) * 2008-05-20 2008-12-10 上海大学 飞秒激光在晶体表面自组织生长微纳米结构的方法
CN102735617A (zh) * 2012-06-29 2012-10-17 浙江大学 一种超分辨显微方法和装置
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
CN108620728A (zh) * 2018-05-09 2018-10-09 广州大学 半导体硅表面大面积规则分布纳米孔阵列结构制备方法
CN109365995A (zh) * 2018-12-06 2019-02-22 哈尔滨工业大学 一种高度均一的微锥阵列结构的制备方法
CN109865939A (zh) * 2019-01-22 2019-06-11 华东师范大学 一种双飞秒激光束柱透镜汇聚干涉制备大面积周期微纳结构的装置
CN109848565A (zh) * 2019-04-02 2019-06-07 西安交通大学 基于等离子体纳米结构辅助的飞秒激光纳米加工方法及系统
CN110175955A (zh) * 2019-06-10 2019-08-27 谢耀华 一种利用预处理和后处理来提高光学显微系统分辨率的方法
CN111504227A (zh) * 2020-06-17 2020-08-07 北京理工大学 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092329A (zh) * 2021-11-19 2022-02-25 复旦大学 一种基于亚像素神经网络的超分辨荧光显微成像方法
CN115971641A (zh) * 2022-12-21 2023-04-18 中国科学院上海光学精密机械研究所 微纳米量级光芯片的非接触式修复设备及方法
CN115971641B (zh) * 2022-12-21 2024-04-12 中国科学院上海光学精密机械研究所 微纳米量级光芯片的非接触式修复设备及方法
CN117970618A (zh) * 2024-03-28 2024-05-03 西北工业大学 一种动态高分辨率表面等离子体共振全息显微成像方法
CN117970618B (zh) * 2024-03-28 2024-06-11 西北工业大学 一种动态高分辨率表面等离子体共振全息显微成像方法

Also Published As

Publication number Publication date
CN112548326B (zh) 2023-10-13
US20220152742A1 (en) 2022-05-19

Similar Documents

Publication Publication Date Title
CN112548326B (zh) 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备
CN108015410B (zh) 一种基于飞秒激光诱导无定形GemSbnTek薄膜制备晶态纳米结构的方法
US9774160B2 (en) Femtosecond laser processing system with process parameters controls and feedback
JP5002808B2 (ja) レーザ加工装置及びレーザ加工方法
CN104625416B (zh) 基于方孔辅助电子动态调控晶硅表面周期性微纳结构方法
CN114682905B (zh) 一种超快激光加工和调制可重构多阶图案化存储的方法
CN113200512B (zh) 一种小间隙金属纳米腔结构、制备方法及设备
Korobenko et al. In-situ nanoscale focusing of extreme ultraviolet solid-state high harmonics
CN112828449A (zh) 用激光加工金刚石材料制备的元器件及其制备方法
RU2784212C1 (ru) Способ формирования квантовых точек на основе эффекта суперрезонансных мод Ми высокого порядка
CN114460674B (zh) 一种可寻址的表面等离激元闭环控制调制系统和方法
Jia et al. Height/width aspect ratio controllable two-dimensional sub-micron arrays fabricated with two-photon photopolymerization
CN221352400U (zh) 用于干燥界面的光热冲镊装置
RU196430U1 (ru) Устройство формирования пучка Эйри в терагерцовом диапазоне длин волн
CN114744106A (zh) 铁电材料内部纳米极化系统及极化方法和退极化方法
Andalani et al. Concentric Nano Elliptical Apertures Array Tip for Intensity Enhancement in Scanning Near-Field Optical Microscopy for Imaging
Mohanavel et al. Deep learning-guided femtosecond laser processing in optical materials and devices for nano fabrication advancements
CN116994789A (zh) 用于干燥界面的光热冲镊装置及其对微纳物体的操控方法
McLeod et al. Optical Manipulation of Nanoparticles for Assembly of 3D Devices and Materials
You et al. Study of Hot Spots Probing Based on Meta-Pillars Array
Ito et al. Near-field optical guidance and manipulation of atoms
Kolloch et al. Quantitative imaging of the optical near field
CN115235623A (zh) 一种基于相变材料的中红外宽谱探测装置及系统
Hong et al. Laser-assisted nanofabrication
Majors Nonlocal Plasmonic Field Emission of Electrons from Focusing by Sharp Probe Tips

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220908

Address after: 401123 rooms 1 and 2, floor 1-2, building 1, No.2, Huizhu Road, Yubei District, Chongqing

Applicant after: Chongqing Research Institute of East China Normal University

Applicant after: SHANGHAI LANGYAN OPTOELECTRONICS TECHNOLOGY Co.,Ltd.

Applicant after: EAST CHINA NORMAL University

Applicant after: Chongqing Huapu Scientific Instrument Co.,Ltd.

Applicant after: Chongqing Huapu Intelligent Equipment Co.,Ltd.

Applicant after: Yunnan Huapu quantum Material Co.,Ltd.

Applicant after: NANJING ROI OPTOELECTRONICS TECHNOLOGY Co.,Ltd.

Address before: 401123 rooms 1 and 2, floor 1-2, building 1, No.2, Huizhu Road, Yubei District, Chongqing

Applicant before: Chongqing Research Institute of East China Normal University

Applicant before: SHANGHAI LANGYAN OPTOELECTRONICS TECHNOLOGY Co.,Ltd.

Applicant before: EAST CHINA NORMAL University

GR01 Patent grant
GR01 Patent grant