专业高效
微纳加工公司

摘要

人工智能的计算和能源成本的爆炸式增长激发了人们对传统电子处理器的替代计算方式的兴趣。光子处理器使用光子而不是电子，有望实现光学神经网络的超低延迟和功耗。然而，现有的光学神经网络受限于其设计，尚未达到现代电子神经网络的识别精度。在这项工作中，我们通过将并行光学计算嵌入到平面相机光学器件中来弥补这一差距，这些光学计算在捕捉过程中执行神经网络计算，然后再记录在传感器上。我们利用大内核并提出了一种通过低维重新参数化学习的空间变化的卷积网络。我们使用具有角度相关响应的纳米光子阵列在相机镜头内实例化该网络。结合约2K参数的轻量级电子后端，我们的可重构纳米光子神经网络在CIFAR-10上实现了72.76%的准确率，超越了AlexNet（72.64%），推动光学神经网络进入深度学习时代。

针对本文中作者的实验：

*比作者团队更好的加工条件，Jeol9500+DUV-KRF 150nm，

*PECVD SIN薄膜，带折射率数据

*氮化硅可见光波段超透镜全流程加工

大面积超结构及其他微纳结构加工解决方案

背景：

目前在市场上大家加工超结构的加工方式主要为ebl+干法刻蚀。这种加工方式的优点是，精度高，金属类结构可以达到50nm线宽，氧化物和氮化物可以达到80-100nm的最小线宽。

但是由于采用的方式为电子束光刻的方式，因此成本是巨大的，举例，一个1mm*1mm的图案差不多2-3万元，而一个20*20mm的图案，差不多就要20万元左右。  

雪上加霜的是，我们付出了如此大的代价，最后只能得到一个样品，这个样品的宝贝程度不亚于金子，这样我们在做实验的时候，就像拿着宝贝疙瘩一样谨慎、生怕弄坏了。

紫外光刻技术相对于电子束光刻技术，具有较好的量产效率和较低的量产成本。

国内有很多超结构企业，目前遇到的一个核心困境就是国内缺足够的高精度的光刻机 比如几十nm线宽的12寸量产型光刻机，因此国内很多超结构企业的流片都在国外fab厂进行。

针对国内的科研工作者的超结构及其他微纳结构加工难题；

小编正式推出 

6寸最小线宽150nm 超结构及微纳结构 镀膜+光刻+刻蚀 一站式服务

采用佳能krf紫外光刻机，最小线宽150nm，比例5:1,成本主要包含 掩模版 镀膜 光刻 刻蚀这4套基本工艺流程，其中最贵的掩模版为一次性投入，其余为做单片时的投入。性价比超高，每次加工可得一整个晶圆 。

当然 ，本方案的缺点在于，设备的最小线宽仅为150nm，更高精度可能还是需要寻求更高精度的光刻机或者ebl加工。

设备:佳能150nmDUV光刻机

尺寸:6英寸

最高可加工精度:150nm

6寸超结构整版加工预计成本:3-6万(单片)，

其中掩膜版为一次性投入，后续增加片数仅收取光刻，刻蚀费用。

最大单元尺寸:22*22mm

对准精度:40nm

材料：非晶硅，TiO2,SiO2,LiNbO3,Si3N4 GaN，Ta2O5，Al,Au,GaAs...更多材料体系

应用领域：超结构，光栅，mems，光子集成线路，,,,,,

请联系小编免费获取原文，也欢迎交流半导体行业，工艺，技术，市场发展！

介绍

过去十年，对高性能人工智能 (AI) 的需求不断增长，给机器人、交通、个人设备、医学成像和科学成像等领域的计算架构带来了巨大压力。尽管电子微处理器在过去 50 年中经历了巨大的发展 ( 1 )，为我们提供了通用中央处理单元和定制加速器平台（例如图形处理单元和数字信号处理器 (DSP) ASIC），但这种增长率远远低于人工智能模型的爆炸式增长超过了这一速度。具体来说，摩尔定律使晶体管数量每 2 年翻一番 ( 2 )，而深度神经网络 (DNN) ( 3 )（可以说是人工智能领域最有影响力的算法）的规模每 6 个月翻一番 ( 4 )。然而，电压缩放的结束使得功耗（而不是晶体管的数量）成为限制计算性能进一步提高的主要因素（ 5 ）。克服这一限制并从根本上减少计算延迟和功耗可以推动相机中低功耗边缘计算的前所未有的应用，有可能实现薄眼镜或微型机器人中的计算，并减少用于训练神经网络架构的数据中心的功耗。

光学计算已被提议作为缓解数字电子产品的一些固有限制（例如计算速度、散热和功耗）的潜在途径，并且有可能将计算吞吐量、处理速度和能源效率提高几个数量级（ 6 – 10 ）。此类光学计算机利用光子学的多种优势来实现高吞吐量、低延迟和低功耗（ 11 ）。这些性能改进是通过牺牲可重构性来实现的。因此，尽管由于较大的物理足迹和低效的光学开关等障碍，通用光学计算尚未实际实现（ 12、13 ），但专门为人工智能定制的光学/光子处理器已经取得了一些显着的进步（ 14 ） ， 15 ）。代表性的例子包括光学计算机，其执行广泛使用的信号处理算子（ 16-22 ），例如空间/时间微分、积分和卷积，其性能远远超出当代电子处理器。最值得注意的是，光学神经网络 (ONN) ( 6 , 23 – 38 ) 在作为全光学或混合光电计算机实现时可以执行人工智能推理任务，例如图像识别。

现有的 ONN 可根据集成光子学 ( 24 – 30 ) 大致分为两类 [例如，马赫-曾德干涉仪 ( 23 , 26 )、相变材料 ( 24 )、微环谐振器 ( 29 )、多模光纤 ( 30 ) ] 用于物理实现乘加浮点运算 (FLOP)，或使用自由空间光学器件 ( 6 ， 31 – 37 ），通过衍射元件[例如，3D打印表面（ 6 ），4F光学相关器（ 37 ），光学掩模（ 35 ）和超表面（ 36 ）]实现光传播的卷积层。这些 ONN 架构的设计从根本上受到底层网络设计的限制，包括扩展到大量神经元（在集成光子电路内）的挑战以及缺乏可扩展的节能非线性光学算子。因此，即使是并行使用数十个 ONN 的最成功的集成 ONN ( 31 )，在图像分类方面也只能达到 LeNet ( 39 ) 级别的精度，这是 30 多年前电子同行实现的。此外，大多数高性能 ONN 只能在相干照明下运行，从而无法在自然光照条件下集成到相机光学器件中。虽然工作在非相干光上的混合光电网络（ 35 , 36 , 40 ）确实存在，但大多数都没有产生令人满意的结果，因为它们的光学前端是为小内核空间均匀卷积层设计的，而这项工作发现确实如此没有充分利用可用于光学卷积的设计空间。

在这项工作中，我们报告了一种新颖的纳米光子神经网络，它消除了上述限制，使我们能够缩小与第一个现代 DNN 架构 ( 41 ) 的差距，在长度仅为 4 毫米的扁平外形中进行光学计算，类似于执行计算在传感器盖玻璃上，代替笨重的基于复合 4-f 系统的傅立叶滤波器设置 ( 40 )。我们利用透镜系统的能力来执行专为图像识别和语义分割定制的大内核空间变化（LKSV）卷积。这些操作是在传感器进行测量之前的捕获期间执行的。我们通过低维重新参数化技术学习大内核，该技术规避了直接优化引起的虚假局部极值。为了物理地实现 ONN，我们开发了一个可微分的空间变化逆向设计框架，该框架可以解决超表面 ( 42 – 46 ) 的问题，该框架可以在空间不相干照明下产生所需的角度相关响应。由于紧凑的占地面积和互补金属氧化物半导体（CMOS）传感器兼容性，由此产生的光学系统不仅是光子加速器，而且是超紧凑的计算相机，在模数转换之前直接对来自环境的环境光进行操作。我们发现这种方法有助于泛化和迁移学习到其他任务，例如语义分割，在 1000 类 ImageNet ( 47 ) 分类和 PASCAL VOC ( 48 ) 语义分割中达到与 AlexNet ( 41 ) 相当的性能。

最近与我们同时进行的工作（ 49 ）报道了一种新颖的超表面双合体，该双合体通过空间不相干照度下的角度和偏振复用实现多通道光学卷积，并且扩展（ 50、51 ）利用大卷积核进行图像分类和语义分割。虽然这项工作与我们的工作具有相同的优点，例如多通道操作、高性能和使用非相干光，但我们的方法使用单个超表面并依赖于 LKSV 卷积而不是均匀卷积，从而将参数空间增加了一个数量级。

因此，通过将平面光学前端 (>99% FLOPs) 与极轻量电子后端 (<1% FLOPs) 进行片上集成，我们实现了比现代全电子分类器更高的分类性能 [73.80%模拟和实验中的 72.76%，相比之下 AlexNet ( 41 ) 在 CIFAR-10 ( 52 ) 测试集上的 72.64%]，同时减少电子参数的数量增加了四个数量级，从而将ONN带入现代深度学习时代。

结果

图1 .空间变化的纳米光子神经网络。

( A ) 所提出的光电网络的图示，其中包括将场景光学编码为多通道图像特征的纳米光子阵列前端和以可编程方式执行最终预测以进行图像分类的轻量级电子后端或语义分割。( B ) 每个元透镜都是针对特定学习的大且角度变化的 PSF 设计的，这些 PSF 包含早期网络层的特征内核，这些特征内核随传感器而变化。这些内核是使用空间变化的重新参数化以电子方式学习的。( C ) 大小为 15 × 15 的大核（用于数字 32 × 32 图像分类）通过将它们分解为一系列较小的核来重新参数化。( D ) 与 SVN 3相比的纯电子 AlexNet ( 41 ) 评估：CIFAR-10 和 ImageNet 数据集的分类精度（顶部条形图）、数字乘加浮点运算 (FLOP) 以及 CIFAR 的数字参数（底部条形图） -10图像识别。所提出的方法优于具有多个数量级的电子参数和多个数量级的 FLOP 的网络，详情请参阅表 S2。( E ) 跨空间平滑变化的内核 SD 的图示。

现有的 ONN ( 35 – 37 , 53 ) 设计光学响应来模拟由空间不变的小尺寸内核组成的卷积层，而 SVN 3则不同，它使用大尺寸的角度变化 PSF（图 1B在图像查看器中打开）：卷积核构建LKSV卷积层。

由于巨大的计算成本和训练方面的挑战，这种 LKSV 卷积层并未在传统的 DNN 中使用。尽管如此，我们证明，通过低维重新参数化技术，即大核分解和低秩空间变化重新参数化，可以在硅中有效地学习该计算层，从而规避可能因天真的过度参数化而产生的虚假局部最小值（文本S3） 。

我们将一个大的 (15 × 15) 卷积核重新参数化为一堆 (七个) 小的 3 × 3 核，这些核依次与大核进行卷积（图 1C在图像查看器中打开）。空间变化结构通过（大）核基的空间变化加权线性组合重新参数化，这类似于一般空间变化核的低秩近似。因此，我们构建了一个由 LKSV 卷积干、深度可分离卷积层和全连接分类头组成的三层卷积神经网络 (CNN)，用于 CIFAR-10 图像分类。该 CNN 在硅中进行训练，通过在空间变化的内核上使用定制的正则化（各向同性总变分正则化和专门的频谱正则化）来最小化标准交叉熵损失（文本 S4）。通过空间组合权重和图 2 中学习核的傅立叶频谱轮廓进行验证。S2，这些正则化强制空间变化内核的平滑过渡（图 1E在图像查看器中打开）并惩罚高通和病态内核，这在光学系统中实现具有挑战性。

经过硅内训练后，我们的 LKSV 设计与传统的小内核空间不变设计相比，性能明显优于传统的小内核空间不变设计，从 LeNet 级别的准确率 (65.45%) 提升到 AlexNet 级别的准确率 (73.80%)；另请参见图 1D在图像查看器和表 S1 和 S2 中打开。

通过设计具有元透镜的无源光学系统，其PSF经过逆向设计以模仿指定的目标内核，可以完全消除硅中LKSV卷积的高计算成本。虽然目标内核可能同时包含正值和负值，但光学 PSF 仅包含非负值。因此，为了生成每个目标内核，我们使用一对超透镜，并在卷积后减去它们的图像特征以获得正值和负值（54-57 ） 。

为了光学地实现 25 通道 LKSV 卷积层，我们实例化了一个片上超透镜阵列，该阵列由 50 个超透镜组成，其器件布局如图1 和 2 所示。1A在图像查看器中打开， 2A在图像查看器中打开。为了设计空间变化的 PSF，我们模拟了光学系统，并使用可微分的空间变化逆设计框架，通过基于随机梯度的优化来计算超透镜的相位分布。通过最小化相对于目标电子内核的均方误差损失并使用能量正则化来最大化传感器平面上感兴趣区域中的局部能量，来优化角度变化的PSF。通过使用能量正则化，我们将设计的超透镜的光效率从 39.37% 提高到 93.88%，而不影响 PSF 精度，并使 ONN 对现实测量中不需要的散射光和其他噪声更加鲁棒（文本 S5）。

图2 . SVN的实验验证3 ．

( A ) 平面相机原型（左）和安装前的超透镜阵列装置（右）。( B ) 实验装置的图示，包括放置在指定物距处的 OLED 显示器、超透镜阵列和 CMOS 传感器。请注意，没有使用额外的光学器件。相机和显示器同步进行数据捕获。( C ) 在 3 × 3 入射角采样网格上的空间变化 PSF 可视化。在这里，我们展示了四个有代表性的内核。( D ) 并排比较与相应的地面实况特征通道相匹配的实验测量结果。“实值”表示目标特征通道，即卷积后从正图像特征中减去负图像特征。

实验验证

逆向设计优化的超透镜阵列是在石英薄膜上氮化硅的单芯片上制造的（文本 S6）。我们使用电子束光刻 (EBL) 的纳米图案化方法来定义抗蚀剂中的设计轮廓，沉积硬掩模，然后使用反应离子蚀刻将图案转移到下面的氮化硅中。为了排除光通过非图案部分的传输，我们进一步在 ONN 超透镜内核周围沉积了一个金属孔径。

图 2A在图像查看器中打开显示了安装前所得超透镜阵列相机和超透镜阵列器件的特写。图 2C 中显示了三个随机选择的内核的 PSF（超过 3 × 3 不同的采样入射角），该图说明了所设计的光学内核的空间变化特征。为了通过实验实现光学系统并测量超镜头的图像特征，我们设计了图 2B在图像查看器中打开所示的设置。放置在设计物距处的智能手机有机发光二极管（OLED）显示器的绿色通道用作非相干光源，大面积CMOS传感器放置在超透镜阵列的焦平面上设备。当数据集图像显示在显示器上时，传感器在一次拍摄中捕获所有超透镜元素的相应图像特征。

通过减法捕获的正值、负值和实值特征与定性和定量比较中的电子地面事实非常相似，这验证了所实施的逆设计框架的有效性（图2D在图像查看器中打开和3A在图像查看器中打开） ）。有兴趣的读者还可以参考电影 S1，了解动态内容的 SVN 3原型演示。

图3 . CIFAR-10 图像分类设计的制造芯片的实验测量。

( A ) 与地面实况特征通道相比，对实验测量进行定性评估。实值再次表示通过从正图像特征中减去负卷积后的目标特征通道。( B )CIFAR-10测试数据集上的实验和模拟结果的混淆矩阵验证了该方法的有效性。

为了广泛评估我们的光电神经网络 SVN 3的性能，我们捕获了整个灰度 CIFAR-10 数据集，包括 50,000 张训练图像和 10,000 张测试图像，采用上述设置并如图 2B在图像查看器中打开所示。每帧中的图像特征在规则的 6 × 9 阵列中等距分布，四个角是用于设备对准的传统双曲超透镜（图 S6）。在裁剪所有超透镜的图像特征并通过成对减法计算实值目标特征后，所得的多通道光学特征被输入到预训练的轻量级电子后端以获得最终的预测。我们使用实验捕获的 CIFAR-10 训练数据集上的交叉熵损失来微调电子后端。微调过程与目标电子神经网络之前的硅内训练相同，只是没有应用额外的正则化损失（文本 S4）。 SVN 3在 CIFAR-10 测试数据集上达到 72.76%，与相应电子模型的 73.80% 相当。图 3B在图像查看器中打开的混淆矩阵中也得出了类似的观察结果，这揭示了 SVN 3在实际实验和模拟中的类似识别行为。图 4在图像查看器中打开报告了对 CIFAR-10 测试集随机样本的预测。该方法始终为真实类别（前 2 个）分配高概率。 这些实验结果共同验证了 SVN 3在分类常见对象方面的有效性，超出了现有工作中研究的手写数字识别领域。此外，我们强调，SVN 3的几乎所有计算（FLOP 的 >99%）都是在光学侧执行，且能耗为零（表 S2）。因此，这种 AlexNet 级别的分类精度是通过超低功耗设备实现的。

图4 . CIFAR-10 测试集随机样本的实验（前 2 个）分类（概率）结果。

图像下的绿色和橙色标签分别表示正确和错误的预测。该方法准确地预测正确的类别或视觉上相似的类别。参见无花果。S15 和 S16 为更多示例。

多功能可重构计算相机

我们的方法是通用的，我们通过为其他数据集和任务实例化 SVN 3来验证该方法。接下来，我们描述具有 1000 个对象类别的 ImageNet 分类实例。ImageNet 是第一个大规模图像分类数据集，拥有 128 万个标记训练数据，是推动现代人工智能发展的主要驱动力。据我们所知，到目前为止，还没有现有的 ONN 报告过 1000 类 ImageNet 分类的结果。为了解决这一具有挑战性的 1000 类识别任务，我们使用了一个放大的电子后端，该后端具有四个深度可分离的卷积层和一个全连接的分类器。我们逆向设计并制造了片上超表面阵列，以光学编码 64 × 64 低分辨率 ImageNet 分类的特征。与 CIFAR-10 实验类似，ImageNet 的整个训练和验证数据集被成像系统编码为光学特征，以进行微调和评估。实验捕获的特征与其电子地面事实一致（图 5A在图像查看器中打开），验证了 SVN 3处理大尺寸图像特征的可扩展性和有效性。在 ImageNet 训练集上对电子后端进行微调后，SVN 3在 ImageNet 验证集上实现了 48.64% 的 top 5 分类准确率，比 AlexNet（47.60%）高出 1.03%。请注意，用于 64 × 64 ImageNet 分类的 SVN 3有 167 万次数字乘法累加运算（FLOP），仅为 AlexNet（1.8026 亿）的 0.9%。

如图。5 .验证 SVN 3作为适用于各种视觉任务的多功能相机。

( A ) 在 ImageNet 数据集上实验测量 SVN 3的特征图。( B ) 使用相同的光学前端和迁移学习电子解码器对 ImageNet 和其他下游数据集（CIFAR-100、Flowers-102、Food-101 和 Pet-37）进行识别。( C ) PASCAL VOC 数据集上语义分割的迁移学习。SVN 3再次实现了与基于 AlexNet 的分割网络相当或更好的性能（有关其他示例，请参见图 S17）。这些发现验证了所提出的带有固定光学编码器的相机可以通过调整电子后端来推广到不同的任务。

尽管 SVN 3中的光学前端（编码器）在制造后不可编程，但我们证明 SVN 3可以用作具有通用光学编码器的可重新配置的多功能计算相机。通过使用迁移学习调整电子后端（解码器），SVN 3能够执行超出最初设计任务的各种视觉任务。使用与 ImageNet 分类相同的物理设置，我们在 CIFAR-100 ( 52 )、Flowers-102 ( 58 )、Food-101 ( 59 ) 和 Pet-37 ( 60 ) 数据集上进行图像识别实验。对于所有这些数据集，我们实现了与（微调的）AlexNet（图 5B在图像查看器中打开）相当或更好的性能，持续验证了我们的混合光电系统的灵活性，而无需调整光学前端。我们还针对其他计算机视觉任务验证了此功能，例如 PASCAL VOC ( 48 ) 数据集中的语义分割，其中我们的混合网络与基于 AlexNet 的分割网络具有竞争力，如图 5C在图像查看器中打开所示。我们的 SVN 3在 PASCAL VOC 测试集上实现了 65.73% 的像素精度，而基于 AlexNet 的分割为 66.34%。