Machine Learning in der kohärenten Fourier-Scatterometrie zur Unterscheidung geometrischer Strukturen sphärischer Goldnanopartikel

Der Nachweis von Nanopartikeln gewinnt in Bereichen der Halbleitertechnik oder Medizin immer größere Bedeutung. Eine schnelle, universell anwendbare Detektionsmethode wird benötigt. Klassische bildgebende Verfahren sind begrenzt hinsichtlich der Auflösung von Strukturen unterhalb der Beugungsgrenze. Gleichzeitig erweisen sich etablierte optische Nahfeldmethoden als mitunter aufwendig. Als aussichtsvolle Alternative zeigt sich eine Fernfeldmethode, die auf kohärenter Fourier-Scatterometrie basiert. Mit dieser Methode können unterschiedliche geometrische Anordnungen von Goldnanopartikeln klar vonei- nander unterschieden werden. In diesem Beitrag präsentieren wir ein Machine-Learning (ML) Modell, das die Messdaten den jeweiligen geometrischen Anordnungen der Partikel zuordnet. Hierfür wurde aus den Daten ein Trainingsset generiert, mit dem ein bestehen- des ML-Modell mit dem Framework Detectron2 (basierend auf PyTorch) erfolgreich umgelernt wurde. Das Modell ordnet die Messdaten mit hoher Zuverlässigkeit den korrekten Geometrien zu. Diese Entwicklung markiert einen entscheidenden Schritt hin zur effizienten und möglicherweise automatisierten Zuordnung konkreter Partikelgeometrien.