Da die industrielle Fertigung von nanostrukturierten Oberflächen wie Absorptions- und Antireflexschichten ein stark wachsender Sektor ist, werden zunehmend Messmethoden zur schnellen Qualitätsprüfung im Prozesstakt benötigt. Defekte in der Nanostruktur können die Oberflächeneigenschaften maßgeblich verändern und müssen deshalb zuverlässig identifiziert werden. Streulichtmessverfahren sind prädestiniert für in-Prozess Messungen, da sie nicht-invasiv und schnell arbeiten. Allerdings muss zur Defektbestimmung bekannt sein, welcher Zusammenhang zwischen der Art und Häufigkeit von auftretenden Oberflächendefekten und der gemessenen Streulichtverteilung besteht. Bei rein periodisch nanostrukturierten Oberflächen ist der Rückschluss vom Streulicht auf Defekte schon gelungen, da sich die entstehenden Streulichtverteilungen vergleichsweise einfach modellieren lassen. Für nicht-periodisch nanostrukturierte Oberflächen gibt es hingegen noch kein universelles Vorgehen für die Realisierung von Streulichtmessverfahren, weshalb deren Potenzial zur schnellen, prozessnahen Qualitätsprüfung noch nicht ausgeschöpft werden kann. Ziel dieses Vorhabens ist deshalb die Erarbeitung einer Entwurfsmethode für Streulichtmessverfahren basierend auf Machine Learning Algorithmen, die für verschiedene Oberflächennanostrukturen einheitlich anwendbar ist. Hierbei ist zunächst zu klären, wie sich Streulichtbasen aus simulierten Trainingsdaten durch Machine Learning automatisiert ermitteln lassen, so dass gemessene Streulichtverteilungen als Linearkombination dieser Basen darstellbar sind, und inwieweit dabei gezielt hohe Korrelationen zwischen den Defekteigenschaften und den Koeffizienten einzelner Basen entworfen werden können. Außerdem soll erforscht werden, wie sich die Streulichtbasen zur Ableitung signifikanter Vereinfachungen des Streulichtmessaufbaus nutzen lassen. Um die breite Anwendbarkeit der Entwurfsmethode nachzuweisen, werden drei grundsätzlich verschiedene Nanostrukturgruppen untersucht, die sich durch die verschiedenen Kombinationen von stochastischer und deterministischer Nanostruktur und Defektverteilung ergeben. Die dabei aus der Entwurfsmethode abgeleiteten Messaufbauen und Auswertealgorithmen zur Defektklassifizierung werden schließlich durch winkelaufgelöste Streulichtmessungen validiert. Zusammenfassend soll die einheitliche Auslegung von Streulichtmesssystemen für die schnelle, prozessnahe Beurteilung verschiedener Klassen von nanostrukturierten Oberflächen ermöglicht werden, indem Methoden des maschinellen Lernens in Kombination mit simulierten Streulichttrainingsdaten für die Streulichtanalyse genutzt bzw. erarbeitet werden. Deshalb basiert das Forschungsverbundvorhaben auf einer Bündelung der Kompetenzen beider Antragsteller aus den Bereichen Oberflächencharakterisierung, optische Streulichtmesstechnik und Messunsicherheitsanalyse, sowie Compressive Sensing und Klassifizierung mittels Machine Learning Algorithmen. 

Details