【儀表網 研發快訊】近日，中國科學院上海光學精密機械研究所高端光電裝備部李思坤研究員團隊在聚合物自洽場(SCFT)仿真與逆向導向自組裝(DSA)圖形化技術領域取得突破。相關研究成果以“Accelerating polymer self-consistent field simulation and inverse DSA-lithography with deep neural networks”為題發表于The Journal of Chemical Physics。
 

　　自洽場模型(SCFT)是研究嵌段共聚物(BCP)自組裝的核心工具，但其仿真過程需數百甚至上千次迭代，耗時較長。尤其在逆向DSA設計等需反復調用仿真模型的應用中，計算效率瓶頸限制了設計精度與規模。現有簡化模型雖然能提高速，但難以完整捕捉復雜物理信息，且多為二維模型，無法反映三維結構中的隱藏缺陷。
 

　　圖1 提出方法框架。(a)基于深度學習加速SCFT仿真框架；(b)基于CMA-ES算法的DSA逆向設計框架。

 

　　研究團隊提出了一種深度學習方法，以SCFT前期非平衡結果作為輸入，利用U-Net架構結合周期性邊界條件，實現從無序狀態到平衡態的直接預測，如圖1(a)所示。該方法可以在保證精度的同時實現對SCFT的顯著加速。研究團隊還基于協方差矩陣適應進化策略(CMA-ES)開發了DSA圖形化逆向設計算法，如圖1(b)所示，其中用深度神經網絡替代傳統仿真實現了引導模板形狀的高效優化。
 

　　圖2(a)(b)展示了在三維和二維large-cell的bulk體系中基于神經網絡的加速仿真結果和SCFT仿真結果，仿真預測精度(AUC)可達0.87-0.97，加速5-10倍。圖2(c)展示了深度學習賦能的DSA逆向優化結果，能夠成功消除孔圖形的不對稱、埋藏缺陷和橋連缺陷，同時仿真效率相比基于SCFT的優化流程提升100倍。本研究在傳統的基于嚴格物理模型的仿真和深度學習方法之間架起了一座橋梁，提供了高效精確的圖形化仿真和逆向設計算法的新思路，有望應用在導向自組裝圖形化工藝優化和嵌段共聚物的理論研究中。
 

　　圖2 提出的基于深度學習加速方法的仿真結果。(a) 三維bulk體系深度學習與SCFT仿真結果對比；(b)二維bulk體系深度學習與SCFT仿真結果對比；(c)基于深度學習的DSA逆向優化結果。

 

　　相關研究得到國家自然科學基金項目支持。