8/16/2017

Instructor
Dr. Raymond Rumpf
(915) 747‐6958
[email protected]

EE 5337
Computational Electromagnetics (CEM)

Lecture #32

Surface Propagation 
Methods
 These notes may contain copyrighted material obtained under fair use rules.  Distribution of these materials is strictly prohibited  
Lecture 32 Slide 1

Outline
• Introduction to Surface Propagation
• Cell‐Volume Method
• String Method
• Level Set Method
• Fast Marching Method

Lecture 32 Slide 2

1
 8/16/2017

Introduction to
Surface Propagation

Lecture 32 Slide 3

Comparison of Methods
• Cell Volume Method
– Rigorous and stable
– Very slow!!
• String Method
– Extremely fast and efficient
– Restricted to surfaces that are mostly smooth and continuous
– Inherently unstable
– Rarely extended to 3D
• Level Set Method
– Most rigorous
– Stable
– Excellent for 3D
– Slower then FMM
• Fast Marching Method
– Requires
• Unidirectional progression of surface
• Rate function depends only on position
– Stable
– Excellent for 3D
– Very fast and efficient!

Lecture 32 Slide 4

2
 8/16/2017

Cell‐Volume Method

Hirt, Cyril W., and Billy D. Nichols. "Volume of fluid (VOF) method for the dynamics of free boundaries." Journal of 
computational physics 39.1 (1981): 201‐225.

Lecture 32 Slide 5

Algorithm for Cell‐Volume Method

Lecture 32 Slide 6

3
 8/16/2017

3D Cell Volume Method

Lecture 32 Slide 7

String Method

Kawakami, Shojiro, Takayuki Kawashima, and Takashi Sato. "Mechanism of shape formation of three‐dimensional 
periodic nanostructures by bias sputtering." Applied Physics Letters 74.3 (1999): 463‐465.

Sethian, James A. "Curvature and the evolution of fronts." Communications in Mathematical Physics 101.4 (1985): 
487‐499.

Tazawa, Satoshi, Seitaro Matsuo, and Kazuyuki Saito. "A general characterization and simulation method for 
deposition and etching technology." IEEE transactions on semiconductor manufacturing 5.1 (1992): 27‐33.

Lecture 32 Slide 8

4
 8/16/2017

Algorithm for the String Method

R. C. Rumpf, “Design and Optimization of Nano‐Optical Elements by Coupling Fabrication to Optical Behavior,” Ph.D. 
dissertation, pp. 153‐160, University of Central Florida, 2006.
Lecture 32 Slide 9

The Math

xi
The list of points      describing the surface are stored in an array.
  
X   x1 x2  xN 

The rate function R quantifies how fast and in what direction each 

point on the surface must move to best model the physics of the 
process being simulated.
  
R   r1 r2  rN  This is the most difficult part 
of the method to formulate.

Given the rate function, the positions of the points are updated given 
a suitable time step t. t must be chosen that is small enough to 
prevent particles from crossing paths.
Xt t  Xt  tR t

Lecture 32 Slide 10

5
 8/16/2017

Sources of Instability and Fixes
There are two main reasons the string method is inherently unstable.

1. Points Converging
As points converge, they reduce the accuracy of the rate function.
They may also cross paths and form unstable loops in the string
This is mitigated using a “smoothing” function and by removing 
points from the string.

1. Points Diverging
As points diverge, the distribution of points becomes too sparse 
to adequately resolve the surface.
This is mitigated by adding additional points.
Care must be taken to correctly interpolate where the points are 
to be added.  Performing a filtering function on the position 
vectors after the update can help maintain stability.

Lecture 32 Slide 11

Example #1: Autocloning
What is Autocloning?
Autocloning is a nanofabrication process where alternating layers of 
dielectric are deposited onto a corrugated surface.  When the 
process parameters are just right, a self‐shaping effect causes the 
surface topology to quickly converge to a profile that is maintained 
over a virtually unlimited number of layers.

String Method SEM Published

Simulation Image Simulation

Lecture 32 Slide 12

6
 8/16/2017

Example  #1: Autocloning
Physics of Autocloning?
Three physical mechanisms produce autocloning.

R. C. Rumpf, “Design and Optimization of Nano‐Optical Elements by Coupling Fabrication to Optical Behavior,” Ph.D. 
dissertation, pp. 153‐160, University of Central Florida, 2006.
Lecture 32 Slide 13

Example #1: Autocloning
Sputter Deposition
During sputter deposition, neutral particles are deposited from a 
target to the substrate with an angular dependence cosn.

Rate Function for Deposition d  flux of particles

 2
   surface slope
 VT  xi ,  cos n   cos     d
 VT  visibility of target
Rdep  xi   d
 2
 2 VT  0 not visible
 cos n 1   d VT  0 completely visible
  2
n  diffusion profile
Deposition can occur on vertical sidewalls! n  0 isotropic deposition
n   deposition normal
Simplified Rate Function to surface
2

 cos   cos     d
n
We only integrate over the 

Rdep  xi   d 1

 2 range of angles visible to the 
 cos n 1   d target.
 2

The angular dependence on deposition leads to horizontal surfaces 
growing faster than vertical surfaces.  Visibility leads to a shadowing 
effect that produces “kinks” near the bottom of the vertical sidewalls.
Lecture 32 Slide 14

7
 8/16/2017

Example #1: Autocloning
Sputter Etching
Charged ions accelerated by the field during bias sputtering leads to 
etching of the substrate.  This opposed deposition.

Rate Function for Etching
b  flux etch rate of a

Retch  xi   b cos   c sin 2  cos for b, c  0 horizontal surface
c  angular selectivity

The function sin2cos has a maximum value around  = 55°.

Etching is maximum at this angle.

It is this mechanism that leads to regions of the surface profile 
converging to the constant slope near 55°.

Lecture 32 Slide 15

Example #1: Autocloning
Redeposition
Etched particles can be redeposited back onto the surface.  The path 
of these particles is extremely complex and difficult to model.  The
tendency is to move particles from the upper
part of trenches to lower parts.

Rate Function for Redeposition
 2
 e  e  redeposition rate
Rredep  xi    VS  xi ,  cos     d
2  2 VS  visibility of surface

We have assumed that particles emerge from all surfaces uniformly.  
This is a good approximation, especially when the surface profile has 
converged to V‐shaped grooves and the surface slope is more 
constant.

Points at deeper parts of a groove will receive greater redeposition
because greater surface area is visible from which to receive particles.

It is this mechanism that that enables lower portions of the V‐grooves to 
keep pace with the top portions despite shadowing effects inhibiting 
sputter deposition in the lower portions.

Lecture 32 Slide 16

8
 8/16/2017

Example #1: Autocloning
The Overall Rate Function
The overall rate function is the sum of the three competing 
mechanisms.  Deposition is in the direction normal the surface.
    
R  xi    Rdep  xi   Retch  xi   Rredep  xi   nˆi nˆi  surface normal

at point xi

Lecture 32 Slide 17

Example #1: Autocloning
Benchmark Simulation

String Method SEM Published

Simulation Image Simulation

Lecture 32 Slide 18

9
 8/16/2017

Example #1: Autocloning
Movie of Autocloning Simulation

Lecture 32 Slide 19

Example #2: Tuning GMR Filters
Tune by Deposition

Lecture 32 Slide 20

10
 8/16/2017

Example #2: Tuning GMR Filters
Tune by Etching

Lecture 32 Slide 21

Level Set Method

Fedkiw, Stanley Osher Ronald, and Stanley Osher. "Level set methods and dynamic implicit surfaces." Surfaces 44 
(2002): 77.

Sethian, James Albert. Level set methods and fast marching methods: evolving interfaces in computational 
geometry, fluid mechanics, computer vision, and materials science. Vol. 3. Cambridge university press, 1999.

Osher, Stanley, and Ronald P. Fedkiw. "Level set methods: an overview and some recent results." Journal of 
Computational physics 169.2 (2001): 463‐502.

Lecture 32 Slide 22

11
 8/16/2017

A Different Way to Describe Surfaces
It is most obvious to consider surfaces from a geometry perspective 
where shapes of structures and positions of interfaces change over 
time.  It is tempting to track the motion of a surface explicitly leading 
to techniques like the string method and cell‐volume method.

The level set method and the fast marching method approach the 
problem completely differently.  They solve differential equations to 
compute distance “level sets” and “time of arrival” functions.  The 
surfaces as a function of time are interpolated from this data.

This enables robust schemes based on well understood methods to be 
formulated that are more rigorous and easier to adapt to different 
conditions.

Lecture 32 Slide 23

Level Set Data
  x, y; t   distance from the surface

 0

The surface at time t is the isometric surface at  = 0.
One set of data only describes the surface at time t.
Lecture 32 Slide 24

12
 8/16/2017

Level Set Equation for Surface Propagation
The level set equation is an initial value problem in the form of a 
partial differential equation that must be solved for the level set 
function .

  r , t    
   r , t   R  r , t   0 given   r ,0 
t
The rate function R is where the physics guiding the surface 
propagation is incorporated.
The level set method solved in the time‐domain by approximating 
the time‐derivative with a finite‐difference and solving for  at 
the future time step.

  t  t     t   t    t   R  t 

Lecture 32 Slide 25

Algorithm for the Level Set Method

Lecture 32 Slide 26

13
 8/16/2017

Movie of the Level Set Method

Lecture 32 Slide 27

Fast Marching Method

Sethian, James Albert. Level set methods and fast marching methods: evolving interfaces in computational 
geometry, fluid mechanics, computer vision, and materials science. Vol. 3. Cambridge university press, 1999.

Sethian, James A. "A fast marching level set method for monotonically advancing fronts." Proceedings of the 
National Academy of Sciences 93.4 (1996): 1591‐1595.

Lecture 32 Slide 28

14
 8/16/2017

Special Case
What if: (1) surface does not move backward, and (2) rate 
function depends only on position?

The level set formulation can be dramatically simplified!!!

This makes the rate function always positive and it becomes 
easier to describe the problem in terms of a time‐of‐arrival 

T r 
function            .

The governing equation is a boundary value problem of the form
  
T  r   R  r   1 initial surface T  r   0

Lecture 32 Slide 29

Time‐of‐Arrival Function
 
T  r   time when surface arrives at position r

The surface at time t is the isometric surface at  = t.
One set of data describes entire progression of the surface.
Lecture 32 Slide 30

15
 8/16/2017

The Governing Equation
  
T  r   R  r   1 initial surface T  r   0
This equation is squared and rearranged to obtain
 
T  r   R  r   1

T T T 1
xˆ  yˆ  zˆ 
x y z R
2 2 2
 T   T   T  1
      
 x   y   z  R

2 2 2
 T   T   T  1 We will approximate these 
       2 derivatives with finite‐differences 
 x   y   z  R by fitting T to a discrete grid.

Lecture 32 Slide 31

A Problem
We have assumed that R > 0.

The values of T are only known on one side of the surface front.

We call this the “upwind” side of the front and we must use upwind 
finite‐differences to solve this problem.

Lecture 32 Slide 32

16
 8/16/2017

Upwind Finite‐Differences (1 of 2)
We can approximate T using either a forward or backward finite‐
difference, depending which way is upwind.

 Ti , j , k  Ti 1, j , k
D T  backward finite-difference
T  x  i , j , k x

x  Ti 1, j , k  Ti , j , k
Dx Ti , j , k  forward finite-difference
 x

Which one do we use?

Lecture 32 Slide 33

Upwind Finite‐Differences (2 of 2)
The front can arrive from any direction and it flows downwind.  
We choose the side from which the front is approaching most quickly 
as the upwind direction.
The finite‐difference must be calculated from values on the upwind 
side of the point.
The derivate should be set to whichever finite‐difference gives the 
maximum value.  This can be done as follows…

T
 max  Dx Ti , j , k ,  Dx Ti , j , k , 0 
x
When a time value is less than any of its 
neighboring points, all finite‐differences 
will be negative and should be ignored.

Lecture 32 Slide 34

17
 8/16/2017

Approximation of Governing Equation
Our governing equation was
2 2 2
 T   T   T  1
       2
 x   y   z  R

Approximating this equation with our upwind finite‐differences, we 
get

 max  D      max  D T , D T ,0  R1

2 2 2

x T ,  Dx T ,0  max  Dy T ,  Dy T ,0  z z 2

Lecture 32 Slide 35

Update Equation (1 of 3)
We need to solve our finite‐difference equation for Ti,j,k.
We must pull Ti,j,k out of the max[] functions.

T
 max  Dx Ti , j , k ,  Dx Ti , j , k ,0 
x
 Ti , j ,k  Ti 1, j , k Ti 1, j , k  Ti , j , k 
 max  , ,0 
 x x 
max Ti , j ,k  Ti 1, j , k , Ti 1, j , k  Ti , j , k ,0 

x
Ti , j ,k  max  Ti 1, j , k , Ti 1, j , k , Ti , j , k 

x
Ti , j ,k  min Ti 1, j , k , Ti 1, j , k , Ti , j ,k 

x

Ti , j , k Ti ,new  old


j , k  min Ti 1, j , k , Ti 1, j , k , Ti , j , k 

x x

Lecture 32 Slide 36

18
 8/16/2017

Update Equation (2 of 3)
Our governing equation can now be written as
2 2 2
 T new  min T   new   new 
 i 1, j ,k , Ti 1, j ,k , Ti , j ,k     Ti , j , k  min Ti , j 1, k , Ti , j 1, k , Ti , j , k     Ti , j , k  min Ti , j , k 1 , Ti , j , k 1 , Ti , j , k    1
old old old
 i , j ,k
 x   y   z  R2
     

After some algebra, we write this express as a quadratic equation.

a Ti ,new
j , k   b  Ti , j , k   c  0
2
new

1 1 1
a  
 x   y   z 
2 2 2

mx  min Ti 1, j ,k , Ti 1, j , k , Ti ,oldj ,k 

 m my mz 
b  2  x 2    m y  min Ti , j 1, k , Ti , j 1, k , Ti ,oldj , k 
  x   y   z  
2 2

mz  min Ti , j ,k 1 , Ti , j , k 1 , Ti ,oldj ,k 

mx2 m y2 mz2 1
c    2
 x   y   z  R
2 2 2

Lecture 32 Slide 37

Update Equation (3 of 3)
The solution to the quadratic equation is

b  b 2  4ac
j ,k 
Ti ,new
2a

We choose the positive root to ensure that our time values are 
always positive.

b  b 2  4ac
j ,k 
Ti ,new
2a

Lecture 32 Slide 38

19
 8/16/2017

Algorithm for the Fast Marching Method

yes

no

yes

no

Lecture 32 Slide 39

Movie of Fast Marching Method

Lecture 32 Slide 40

20
 8/16/2017

Min‐Heap Data Structure
By far, the most time‐consuming task is finding the grid point in the 
“narrow band” with the smallest associated time value.
The key to a fast and efficient FMM code is to quickly find this point.
A good approach is to store the narrow band grid points in a min‐head 
data structure, which is a form of a binary tree, but it can be stored in 
a linear array without the need of data pointers.
It is ordered so that the children of any element always have an equal 
or greater value associated with it.

Lecture 32 Slide 41

Push Operation
The push algorithm is used to 
add an element to the tree.

This algorithm ensures that 
element #1 at the top of the 
tree will have the smallest 
value.  No searching for it is 
even necessary!

Lecture 32 Slide 42

21
 8/16/2017

Pull Operation
The pull algorithm removes 
the top element from the tee 
and adjusts the remaining 
elements.

Lecture 32 Slide 43

Example – Developing Photoresists
What is Developing?

The developing process 
dissolves soluble photoresist 
into a developer solution 
leaving behind the insoluble 
portions.

It is the partially soluble 
photoresist that must be 
treated correctly to accurately 
predict geometry.

Lecture 32 Slide 44

22
 8/16/2017

Example – Developing Photoresists
Solubility of a Photoresist

Lecture 32 Slide 45

Example – Developing Photoresists
Simulating Developing with FMM

Lecture 32 Slide 46

23
 8/16/2017

Example – Developing Photoresists
3D Movie of Developing

Lecture 32 Slide 47

Example – Developing Photoresists
Simulating Holographic Lithography

Lecture 32 Slide 48

24
 8/16/2017

Example – Developing Photoresists
Simulating Near-Field Nano-Patterning

Simulated  Simulated 
using  using 
RCWA FMM

Lecture 32 Slide 49

Example – Developing Photoresists
Movie of Near-Field Nano-Patterning

Lecture 32 Slide 50

25