Indirect Measurement Methods for Quality and Process Control in

Nanomanufacturing– Summary
Authors : Zhaoyan Fan et al, 2022
By : Benabdesselam Abderraouf

1. Introduction :
La nanofabrication a connu une rapide évolution grâce aux avancées dans les sciences
des matériaux et de la fabrication. Elle se divise en deux catégories : la première concerne
les composants nanométriques ou micrométriques, dont les performances s'améliorent
considérablement à cette échelle, tandis que la seconde concerne les processus de
production permettant des tolérances dimensionnelles élevées. Cet article se concentre sur
les méthodes de mesure pour la première catégorie, englobant une variété de produits, des
nanoparticules aux nanofilms, avec diverses applications industrielles.
Les paramètres d'intérêt pour les produits de nanofabrication varient en fonction des
nanostructures et de leurs applications, se regroupant en trois principales catégories :
- Dimensions critiques (CD) : Ces propriétés géométriques déterminent les
performances globales des produits et incluent la longueur, la largeur, l'épaisseur,
la rugosité et l'angle des caractéristiques géométriques, en fonction du type de
nanostructure produite.
- Propriétés mécaniques : Elles englobent des caractéristiques telles que le module
de Young, la dureté et d'autres propriétés liées aux matériaux pour les structures à
l'échelle nanométrique.
- Propriétés thermiques : Ces propriétés tiennent compte de la capacité calorifique et
de la conductivité thermique des nanofils et des nanoparticules.
La nanofabrication, en comparaison avec les processus de fabrication à l'échelle
macroscopique, présente de nouveaux défis métrologiques en raison de la taille des
nanoproduits, qui est proche ou même plus petite que la longueur d'onde de la lumière,
allant de 100 à 1000 nm. Cependant, les technologies de mesure développées au cours des
dernières décennies peuvent être classées en deux groupes : les méthodes directes et
indirectes.

Les méthodes directes de mesure des nanostructures utilisent des techniques d'imagerie
telles que la microscopie à force atomique, la microscopie électronique à balayage, la
microscopie à force photo-induite, etc., pour obtenir des propriétés avec une résolution
élevée, jusqu'à 0,1 nm. Cependant, les méthodes directes présentent des contraintes liées
à l'interaction physique directe entre les sondes ou les faisceaux d'électrons/lumière et la
nanostructure mesurée. Ainsi, elles nécessitant une haute résolution spatiale et entraînant
des périodes de mesure longues en raison de la grande quantité de nanostructures produites.
Elles sont principalement utilisées pour l'échantillonnage hors ligne et ne conviennent pas
à la surveillance en temps réel des processus.
En revanche, la mesure indirecte quantifie les paramètres en cours de processus, tels que
la température, la pression et la concentration de la solution de gravure, au cours des
processus de nanofabrication. À l'aide de techniques d'analyse de données appropriées, ces
paramètres sont interprétés pour déduire les dimensions critiques (CD) ainsi que diverses
propriétés mécaniques et thermiques en se référant à la physique du processus sous-jacent
et/ou aux données historiques. Comme ces paramètres sont mesurés en temps réel, ils
peuvent être utilisés en rétroaction pour ajuster l'opération sans interrompre le processus.
La principale difficulté des méthodes indirectes réside dans l'établissement de la relation
entre les paramètres mesurables et les propriétés des nanostructures produites (fonction de
transfert). Cette relation justifie la pertinence et l'efficacité d'une mesure en cours de
processus.
L’article classe les méthodes de mesure indirecte en deux catégories principales : les
méthodes basées sur les données et les méthodes basées sur la physique.
La première méthode établit la relation entre les paramètres en cours de processus et les
propriétés des nanostructures à l'aide d'algorithmes d'apprentissage automatique, qui ne
nécessitent pas de modèles physiques et peuvent être considérés comme des boîtes noires.
Comme la méthode basée sur les données repose sur de nombreuses données pour former
le modèle, elle est principalement adoptée pour mesurer les dimensions critiques des
nanostructures, qui peuvent être obtenues par des méthodes directes. En revanche, la
méthode basée sur la physique dépend de la physique sous-jacente du processus de
fabrication pour établir la corrélation entre le processus et les propriétés. Selon les modèles
mathématiques appliqués aux dynamiques physiques et aux réactions chimiques, les
méthodes basées sur la physique développées dans la littérature peuvent être divisées en
quatre catégories principales : les simulations de dynamique moléculaire (MD), la méthode
de différences finies dans le domaine temporel (FDTD), la méthode de Monte Carlo (MC)
et l'analyse par éléments finis (FEA). Comme ces modèles peuvent simuler le
comportement des matériaux à l'échelle macro- ou microscopique, la méthode basée sur la
physique peut étendre sa portée au-delà de la mesure des dimensions critiques, par
exemple, pour prédire les propriétés mécaniques et thermiques du nanoproduit.
 2. Méthode basée sur les données

La méthode basée sur les données repose sur la modélisation statistique pour établir une
relation entre les paramètres d'entrée et de sortie, notamment par les techniques
d’apprentissage automatique (Machine Learning).
La nanofabrication se divise en deux approches principales : "top-down" et "bottom-up".
Dans l'approche "top-down", les paramètres de coupe, de gravure et de nanolithographie
influencent les dimensions critiques des composants fabriqués. Dans l'approche "bottom-
up", les paramètres en cours de processus tels que la pression de vapeur en dépôt ou la
viscosité de la solution influencent les performances des composants. Des études récentes
ont montré comment ces paramètres affectent les propriétés des nanostructures, notamment
la rugosité de surface, la précision de fabrication et les caractéristiques dimensionnelles,
soulignant ainsi l'importance de maîtriser ces paramètres pour obtenir les propriétés
souhaitées des nanostructures. Et donc cela démontre l’existence d’une certaine fonction
de transfert à déterminer, entre les paramètres d’usinage et les propriétés des
nanostructures.

À partir des résultats expérimentaux en nanofabrication, une certaine relation est

démontrée entre les paramètres en cours de processus et les propriétés des produits à
l'échelle nanométrique. La modélisation basée sur les données, formée par les données
historiques échantillonnées à partir d'expériences, peut décrire cette relation en se basant
sur des approches expérimentales, notamment pour les processus complexes ou les
nanostructures où la relation physique est difficile à obtenir par les théories actuelles.
Les méthodes d'apprentissage automatique sont classées en trois catégories principales
en fonction de leurs besoins en données de référence : supervisées, non supervisées et par
renforcement. L'apprentissage supervisé utilise des données étiquetées pour former un
modèle en corrélant les données de sortie avec les variables de processus en entrée. Les
données étiquetées restantes sont utilisées pour valider et tester le modèle. Les méthodes
typiques incluent Random Forest, Support Vector Machine, Decision Tree, et Naïve Bayes.
L'apprentissage non supervisé, en revanche, ne nécessite pas de données étiquetées et
repose uniquement sur les variables de processus. Les méthodes typiques comprennent le
regroupement, l'analyse en composantes principales et la décomposition en valeurs
singulières. Enfin, l'apprentissage par renforcement est une catégorie plus récente qui
ajuste itérativement un modèle en fonction des récompenses, visant une solution optimale
à long terme. Les algorithmes de renforcement sont généralement plus complexes et
nécessitent davantage de données de processus pour l'entraînement.
Ces dernières années, l'apprentissage automatique a trouvé de nombreuses applications,
y compris dans les nanostructures et la nanofabrication. Les méthodes supervisées et non
supervisées ont permis de créer des modèles basés sur les données pour analyser des
mesures indirectes liées à la taille des nanoparticules, aux paramètres de broyage, aux
diamètres des nanofibres et aux profils de nanopiliers. Ces modèles ont montré une grande
précision, mais l'utilisation de l'apprentissage par renforcement reste à explorer dans ce
domaine. Cependant, ces modèles basés sur les données sont adaptés aux systèmes
complexes et offrent des temps de réponse plus rapides que les méthodes basées sur la
physique. Ils ont cependant besoin de données historiques pour être formés et ne peuvent
pas être facilement généralisés à d'autres applications sans adaptation.

3. Méthode basée sur le modèle physique

La nanofabrication consiste à manipuler des matériaux au niveau moléculaire en utilisant
des méthodes bien comprises de dynamique physique ou chimique spécifiques aux
processus de nanofabrication. Les particules impliquées dans ces processus peuvent être
étudiées théoriquement, et les résultats peuvent être calculés via des simulations
numériques. Quatre techniques de modélisation basées sur la physique sont utilisées pour
obtenir des propriétés à l'échelle nanométrique.

3.1 Dynamique des molécules

La modélisation par Dynamique Moléculaire (MD) est une méthode puissante pour
simuler le mouvement des molécules à l'échelle nanométrique et étudier les processus de
nanofabrication de manière détaillée. Elle repose sur le suivi des lois de la physique
newtonienne pour calculer les trajectoires moléculaires en utilisant un champ de force basé
sur l'énergie potentielle des molécules. Les algorithmes numériques, comme l'intégrateur
de Verlet, sont utilisés pour résoudre ces mouvements dans le temps, avec un compromis
entre précision et efficacité.
La MD a été efficacement employée pour étudier divers phénomènes, notamment la
déformation et la rupture des nanostructures. Elle a été appliquée à des cas concrets, tels
que l'étude de nanofils de silicium, des nanofilms en cuivre/or, et la prédiction de la
formation de nanoparticules dans les processus de fabrication. Cependant, cette méthode a
des limites en termes de temps de simulation et de puissance de calcul, ce qui la restreint
aux processus de courte durée.

3.2 La méthode des différences finies dans le domaine temporel – FDTD

La méthode FDTD (Finite Difference Time Domain) est une méthode numérique pour
modéliser un champ électromagnétique et sa propagation dans l'espace en 1D, 2D ou 3D.
Elle a été développée par Yee dans les années 1960 et a depuis lors été utilisée comme un
outil fondamental pour étudier les micro-ondes et l'optique. Plus récemment, la méthode
FDTD a été appliquée pour modéliser les propriétés optiques des nanostructures et les
processus de nanofabrication tels que la nanolithographie et les processus de polarisation
des plasmons de surface.
La méthode FDTD discrétise l'espace et le temps pour calculer un champ
électromagnétique variant dans le temps à chaque pas de temps, en se basant sur les lois de
Faraday et d'Ampère. Elle a été utilisée pour déterminer la relation entre l'intensité
lumineuse appliquée et la géométrie/la forme des nanostructures. Par exemple, elle peut
être utilisée pour prédire la taille des nanostructures en fonction de l'intensité lumineuse
appliquée.
Cependant, la méthode FDTD souffre également d'une charge de calcul élevée en raison
de la nécessité de discrétiser l'espace et le temps en petites sections. Elle est principalement
applicable aux procédés influencés par les micro-ondes, les UV, la lumière visible ou
infrarouge.

3.3 Méthode Monte Carlo

La méthode Monte Carlo (MC) est une technique de simulation probabiliste qui génère
des ensembles de particules dans des conditions thermodynamiques déterminées en
supposant que leurs déplacements sont aléatoires. À la différence de la Dynamique
Moléculaire (MD), la MC ne suit pas l'évolution temporelle des systèmes, mais elle est
particulièrement utile pour analyser des phénomènes tels que la conduction thermique,
l'adsorption de gaz, et la taille des nanostructures. Elle maintient constants le nombre de
particules, le volume et la température du système, et divise l'espace en petites cellules pour
déterminer si une particule se déplace selon des règles probabilistes basées sur la
distribution de Boltzmann. Ce processus est répété de manière itérative pour obtenir une
compréhension des comportements sous des conditions spécifiques.
La méthode MC a été largement appliquée à la simulation de processus tels que la nano-
impression de haute précision, la propagation de la chaleur dans des matériaux
nanométriques, la détection de gaz dans des nanostructures, et le processus de coupe de
matériaux à l'échelle nanométrique. Bien qu'elle soit moins complexe que d'autres
approches de simulation, elle ne fournit pas d'information sur l'évolution temporelle des
systèmes, se concentrant plutôt sur les distributions de probabilité à un état donné.

3.4 Méthode des éléments finis

L'analyse par éléments finis (FE) est une méthode numérique permettant de résoudre des
problèmes de mécanique des milieux continus en divisant une structure continue en un
nombre fini d'éléments structuraux. Cette méthode a été appliquée en nanofabrication au
cours des 20 dernières années pour modéliser des nanostructures. Contrairement à d'autres
méthodes telles que la MD, la FDTD ou la méthode MC, la méthode des éléments finis
(FEM) ne nécessite pas la modélisation de chaque molécule, ce qui réduit considérablement
la charge computationnelle.
Elle a été appliquée pour calculer l'adhérence interfaciale des nanofilms, la rigidité des
matériaux nanocomposites, la tomographie des nanostructures, le module de traction et la
force de coupe lors du processus de coupe nanométrique.
Par exemple, une étude a utilisé la FEM pour analyser l'adhérence interfaciale d'un
nanofilm sur un substrat en simulant un processus d'indentation et de raclage, montrant une
bonne concordance avec les résultats expérimentaux. Une autre étude a modélisé des
nanofilms décorés de nanopiliers pour calculer leur absorbance lumineuse, validant les
résultats avec une autre méthode. De plus, la FEM a été employée pour simuler le processus
de nanoimpression avec une précision élevée, et une méthode combinée FE-MD a été
développée pour simuler la coupe nanométrique de l'aluminium, réduisant la charge de
calcul tout en maintenant la précision.

4. Discussion
Les méthodes de mesure indirecte ont connu une rapide évolution, en particulier celles
basées sur des bases de données, pour estimer les dimensions critiques (CD) à partir des
variables de processus mesurées. Ces modèles basés sur les données offrent des temps de
réponse extrêmement rapides, prenant moins d'une seconde pour estimer les CD, tandis
que les méthodes basées sur la physique ont généralement des temps de réponse plus longs
en raison de la charge computationnelle pour simuler des comportements à l'échelle
nanométrique. Le choix entre ces deux approches dépend de la nature du processus de
fabrication et des ressources informatiques disponibles, les méthodes basées sur la
physique prenant de quelques secondes à quelques heures pour terminer une simulation.
L'incertitude joue un rôle crucial dans l'évaluation de la fiabilité des résultats de mesure.
Dans les méthodes de mesure directe, l'incertitude est étroitement liée au matériel utilisé
pour effectuer la mesure. En revanche, les méthodes de mesure indirecte peuvent présenter
une incertitude résultant de divers facteurs, notamment les limites physiques de
l'instrument, les simplifications dans l'interprétation des paramètres mesurés, les
perturbations lors du processus de mesure et les variations opérateur. Étant donné que les
méthodes indirectes s'appuient sur la vérité de terrain fournie par les méthodes de mesure
directe pour leur formation et leur validation, l'incertitude de ces dernières peut se refléter
dans les résultats des méthodes indirectes. Par conséquent, les méthodes indirectes peuvent
présenter un niveau d'incertitude plus élevé et une précision moindre par rapport aux
méthodes directes.

5. Conclusion
En résumé, cet article a exploré les méthodes de mesure indirecte utilisées pour surveiller
les processus de nanofabrication et mesurer les propriétés à l'échelle nanométrique.
Comparées aux méthodes de mesure directe qui utilisent des sondes ou des faisceaux pour
mesurer la géométrie des nanostructures, les méthodes de mesure indirecte permettent de
mesurer les dimensions critiques (CD) et les propriétés mécaniques et thermique in situ
sans perturber le processus de fabrication. Ces méthodes sont divisées en deux catégories
principales : celles basées sur les données et celles basées sur la physique.
Les méthodes basées sur les données établissent des relations entre les paramètres de
processus et les propriétés des nanostructures à l'aide de modèles d'apprentissage
automatique, offrant une grande précision avec des données abondantes. En revanche, les
méthodes basées sur la physique dépendent de la compréhension de la physique sous-
jacente du processus de fabrication pour établir des corrélations.
Bien que les méthodes indirectes aient gagné en popularité en raison de la demande
croissante de contrôle en temps réel en nanofabrication, des défis subsistent, notamment
l'amélioration de la précision des modèles basés sur les données, la compréhension
complète de la physique des processus, et l'intégration des modèles basés sur les données
et la physique pour une meilleure généralisation et précision. Ces défis nécessiteront
davantage de recherches à l'avenir.