Machine-learning-gestützte deterministische Plasmajet-Bearbeitung von optischen Oberflächen - PlasmaJetControl

• Antragsteller: Professor Dr. Thomas Arnold; Dr. Martin Rudolph
• Fachliche Zuordnung: Beschichtungs- und Oberflächentechnik ; Herstellung und Eigenschaften von Funktionsmaterialien ; Spanende und abtragende Fertigungstechnik
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 577831116

Die ultrapräzise Formgebung und Korrektur optischer Oberflächen wie Linsen oder Spiegel mittels lokal wirkender fluorhaltiger Atmosphärendruckplasmajets basiert auf einem Trockenätzprozess und beruht auf chemischen Reaktionen zwischen den im Plasma gebildeten reaktiven Spezies (Fluorradikale) und den Atomen der Substratoberfläche unter Bildung flüchtiger Produkte für Siliziumverbindungen, z.B. Si, SiO2, SiC. Allerdings weist diese Technologie aufgrund der thermodynamisch bestimmten Ätzmechanismen, die von der Oberflächentemperatur des Substrats abhängt, und der damit zusammenhängenden und noch nicht vollständig verstandenen Komplexität des zugrundeliegenden chemischen Abtragsmechanismus starke Limitierungen bezüglich des effizienten Einsatzes in der Ultrapräzisionsbearbeitung auf. Diese Nachteile entstehen hauptsächlich durch die nichtlineare Abhängigkeit der Ätzrate von der räumlichen und zeitlichen Oberflächentemperaturverteilung, da der Plasmajet nicht nur Quelle reaktiver Spezies sondern auch eine lokale Wärmequelle darstellt. Dies resultiert in einer mangelnden Prozessstabilität und einer zu geringen Prozesskonvergenz, was beim Einsatz der Plasmajettechnologie zur ultrapräzisen Formgebung und Korrektur optischer Oberflächen zu einer hohen Iterationszahl von Prozessschritten führt und damit einen hohen Verbrauch umweltschädlicher chemisch-aggressiver Prozessmedien und Energie verursacht. Im Vorhaben soll daher ein vertieftes Verständnis des Plasmajet-Bearbeitungsprozesses erlangt und auf dessen Basis neue simulative und experimentelle Methoden zur signifikanten Erhöhung der Prozesskonvergenz entwickelt werden. Mit der Untersuchung der Temperatur-Ätzraten-Beziehung wird zunächst eine datenmäßige Grundlage zur Parametrierung von FEM-Modellen zur Prozesssimulation erstellt. Mit den entwickelten und experimentell zu validierenden FEM-Modellen werden dann Prozessdaten generiert, die als Trainingsdaten für neuronale Netze dienen. Mit Hilfe dieser Netze soll eine adaptive Machine-Learning-basierte Prozesssteuerung entwickelt werden, die die Nichtlinearitäten der Wechselwirkung des Plasmajets mit der Oberfläche ausgleicht und so eine stabile deterministische Prozessführung zur Ultrapräzisionsbearbeitung ermöglicht.

• DFG-Verfahren: Sachbeihilfen