Initiation par des défauts et traitements statistiques Frank Wagner et les auteurs de tous les articles cités Formation CNRS 2013 Introduction Comment extraire des informations sur le mécanisme d’endommagement des mesures en fonction de la fluence ? D(F) P(F) Formation CNRS 2013 Introduction On propose un modèle physique. On calcule P(F) ou D(F) en se basant sur ce modèle. On compare la courbe (modèle) et les mesures. Questions ouvertes: • Intervalles de confiance (incertitudes) pour P ? • Intervalles de confiance (incertitudes) pour F ? • Incertitudes des paramètres de fit du modèle ? • Modèle unique ? Formation CNRS 2013 Plan de la présentation Introduction Le modèle de base (modèle de présence) - Définitions et exemples - Variantes du modèle Incertitudes - En fluence, en probabilité, en paramètres du modèle Vrai faisceaux et faisceaux Gaussiens - Comparaison et caractérisation Résumé Formation CNRS 2013 Les précurseurs d’endommagement Les origines du postulat Champ optique au seuil << Champ pour le claquage diélectrique * Morphologie près du seuil dans les couches minces [2,6] La pente des courbes p(F) dépend de la taille du faisceau laser. [3] [4] L’endommagement ns est causé par des précurseurs d’endommagement nanométriques présents dans le matériau. KTP * Introduction de [1] et références Formation CNRS 2013 Les précurseurs d’endommagement Modèles de présence de précurseurs Idée : Un endommagement apparaît de manière déterministe si un précurseur est touché par une fluence au-dessus de son seuil. P = Probabilité qu’un précurseur soit irradié au-dessus de son seuil Formation CNRS 2013 [3] Probabilité de rencontre I Expression générale: F P( F ) = 1 − exp − ∫ g (T ) V (T / F ) dT 0 [5] V(T/F) : le volume qui est irradié à une fluence plus haute que T si la fluence crête du faisceau est de F. (Volume de la zone de haute fluence) Expressions analytiques connus pour le faisceau Gaussien. Surface [6] Volume infini [6] Volume restreint V(T/F) est défini par les conditions de la mesure. Formation CNRS 2013 [7] Probabilité de rencontre II Expression générale: F P( F ) = 1 − exp − ∫ g (T ) V (T / F ) dT 0 g(T) : la densité volumique des défauts qui causent un dommage entre T et T+dT Donc la densité volumique des dommages D (que l’on peut mesurer) est obtenue par : F D( F ) = ∫ g (T ) dT 0 g(T) et D(F) sont définis par le type de précurseurs et la physique de l’interaction lumière - matière. Formation CNRS 2013 Probabilité de rencontre III g(T) : la densité volumique des défauts qui causent un dommage entre T et T+dT EXEMPLE: MODELE THERMIQUE SUR INCLUSIONS ABSORBANTES Pour une fluence près du seuil… les toutes petites particules ne cassent pas parce qu'elles absorbent trop peu le lumière. les très grandes particules ne cassent pas parce qu'elles ne montent pas assez haut en température g(F) Plus qu’on augmente la fluence, plus la fourchette de tailles de particules qui causent un endommagement s’élargit. [8] Formation CNRS 2013 Modèles de populations de précurseurs Plusieurs distributions de seuil g(T) sont utilisés: Gaussien Dégénéré (Dirac) g (T ) = d δ (T − T0 ) 3 param.: d, 'T0', ∆T 2 param.: d, T0 [3] Porteus, Seitel [3] 3 param.: d, T0, p [5] Loi de puissance 2 param.: α, β [9, 10] g (T ) = αβ F β −1 Formation CNRS 2013 Probabilité de rencontre F Expression générale: P ( F ) = 1 − exp − ∫ g (T ) V (T / F ) dT 0 À F fixée T F Formation CNRS 2013 Problèmes des modèles de populations de précurseurs Probabilité de dommage Probabilité de dommage Mauvaise sélectivité par rapport g(T) Fluence Fluence Peu de chances d'identifier les processus physiques par ces modèles (à partir d’une seule courbe). Formation CNRS 2013 Un début de solution En effectuant des mesures avec différents tailles de faisceau on arrive à augmenter la dynamique des mesures. Ci-dessous un exemple où le fait d’avoir deux mesures avec deux tailles de faisceau différentes permet d’identifier le bon modèle Modèle Dirac Fit fait sur données grand faisceau Modèle puiss. Modèle Gauss. Mêmes paramètres appliqués aux données petit faisceau Malgré le fait que le modèle de puiss. n’a que deux paramètres il décrit le mieux les mesures En effet des mesures en densité de dommages (prochaine page) ont montré que la silice en surface à 355 nm s’approche d’une loi de puissance. Formation CNRS 2013 Mesures de D(F) g(F) KDP (volume) Densités de dommages observés Le modèle thermique reproduit la forme de la mesure [8] F ∫ g(F C ) dFc 0 [9] Silice (surface) F [11] Formation CNRS 2013 [12] Plan de la présentation Introduction Le modèle de base (modèle de présence) - Définitions et exemples - Variantes du modèle Incertitudes - En fluence, en probabilité, en paramètres du modèle Vrai faisceaux et faisceaux Gaussiens - Comparaison et caractérisation Résumé Formation CNRS 2013 Incertitude en fluence [11] Dans un même montage la fluence est connu avec une erreur standard d’environ 10%. Formation CNRS 2013 Incertitude en probabilité On teste n sites dont k cassent. On veut estimer la probabilité d’endommagement p. On veut avoir des barres d’erreur ∆p- et ∆p+ pour p, qui correspondent à un niveau de confiance conf choisi. D’un point de vue statistique la mesure correspond à un tirage de n billes dans une urne. Elle est donc gouverné par la loi binomiale Formation CNRS 2013 Estimation de p par la méthode du maximum de vraisemblance On a une probabilité inconnue p de tirer une bille rouge. La probabilité d’obtenir k billes rouges sur les n tirages est: n k pM ( p, n, k ) = p (1 − p ) ( n − k ) k (Distribution Binominale) Une mesure est entièrement caractérisée par n et k. En supposant une certaine probabilité p, on calcule la probabilité pM de mesurer la valeur expérimentale observée. (pM est la proba de réaliser la mesure sous hypothèse p) On choisi l’hypothèse qui maximise pM (maximum de vraisemblance) La meilleure hypothèse p, pest, est donné par pest = k/n Formation CNRS 2013 Calcul des barres d’erreur [13] 1 On peut normaliser pM tel que ∫ pMnorm dp = 1 0 n k ( n−k ) pMnorm( p, n, k ) = (n + 1) p (1 − p ) k Calcul de l’intervalle de confiance par itération numérique Formation CNRS 2013 Fitter des mesures de probabilité avec un modèle On cherche l’estimateur du paramètre α du modèle pFit(F,α). On cherche son erreur ∆α- et ∆α+ On cherche à savoir si le modèle est adapté ou non à la mesure. La mesure est caractérisée par les mesures ki, ni aux fluences Fi. Dans le meilleur des cas, le fit traverse tous les points de mesure ki/ni. La probabilité d’obtenir cette courbe (ensemble de mesures) est alors : L pMCoptimal = ∏ pM ( , ni , ki ) i =1 ki ni (Les mesures aux différentes fluences sont statistiquement indépendantes.) Formation CNRS 2013 Chercher le paramètre optimal (estimateur de α) L pMC (α ) = ∏ pM ( pFit ( Fi , α ), ni , ki ) i =1 Probabilité de produire la mesure (courbe) en supposant que les probabilités d’endommagement aux fluences Fi sont données par le modèle pFit(Fi, α). Selon le principe de Maximum-Likelyhood le α qui maximise pMC est la valeur cherchée αEst. Formation CNRS 2013 [12] Différence au fit au moindre χ2 Un fit au moindre χ2 est un fit au maximum de vraisemblance pour une distribution normale (pas une distribution binomiale comme nous l’avons) Max. de vraisemblance: Min χ2: Un fit au moindre χ2 donne des courbes légèrement trop raides, car il suppose des incertitudes symétriques même proche de P = 0 et de P = 1. Formation CNRS 2013 Les incertitudes des paramètres α Le concept le plus simple pour les obtenir est la simulation Monte-Carlo. (Bootstrapping en anglais) 1. 2. 3. 4. 5. On fitte les données expérimentales paramètres α On simule des mesures en se basant sur α. (α p(F) ki,s) On fitte les données simulés (ki,s / ni) paramètres αs On établi ainsi l’histogramme des αs On déduit l’intervalle de confiance pour la confiance choisi. (Pas encore implémenté chez nous) Formation CNRS 2013 [12] Plan de la présentation Introduction Le modèle de base (modèle de présence) - Définitions et exemples - Variantes du modèle Incertitudes - En fluence, en probabilité, en paramètres du modèle Vrai faisceaux et faisceaux Gaussiens - Comparaison et caractérisation Résumé Formation CNRS 2013 L’importance du profil spatial du faisceau de test Ce faisceau n’est pas du tout Gaussien… 10µm 20µm 10µm Mais son volume au dessus du seuil V(T/F) peut s’approximer par celui d’un faisceau Gaussien pour 0.33 < T/F < 0.95. volume surface intervalle d'ajustement intervalle d'ajustement Formation CNRS 2013 Recommandations pour la caractérisation de faisceau On peut calculer le volume au dessus du seuil V(T/F) aussi à partir d’images de la région focale du faisceau. Par exemple en comptant les « voxels » au dessus du seuil. Pour obtenir une bonne précision (erreur relatif de V(T/F)), il faut aller assez loin en z lors de la caractérisation (précision pour petit T/F) et faire des tout petits pas près du plan focal (précision pour grand T/F). Question ouverte: Comment le mieux considérer les fluctuations dans le profil? Formation CNRS 2013 Plan de la présentation Introduction Le modèle de base (modèle de présence) - Définitions et exemples - Variantes du modèle Incertitudes - En fluence, en probabilité, en paramètres du modèle Vrai faisceaux et faisceaux Gaussiens - Comparaison et caractérisation Résumé Formation CNRS 2013 Résumé Les modèles de présence de précurseurs qui causent un endommagement s’ils sont irradiés au dessus de leur seuil ont permis de comprendre la variation de P(F) avec la taille du faisceau. Une seule courbe de P(F) permet rarement d’identifier le modèle physique approprié. Des mesures « multi-échelle » ou des mesures en densité de dommages donnent plus d’informations. Pour le calcul des incertitudes sur les probabilités mesurés, il faut utiliser la statistique binomiale. Un fit au maximum de vraisemblance avec cette statistique permet de mettre un poids sur différents points de mesure examiné avec des précisions différentes. Puisque ces modèles ne dépendent que de V(T/F) la forme exacte du faisceau n’est pas importante. Formation CNRS 2013 Références [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] G. Duchateau, M. D. Feit et al., J. Appl. Phys. 111, 093106 (2012). L. Gallais, J. Capoulade et al., Opt. Comm. 272, 221-226 (2007). J. O. Porteus and S. C. Seitel, Appl. Opt. 23, 3796-3805 (1984). F. R. Wagner, A. Hildenbrand et al., Opt. Eng. 51, 121806 (2012). H. Krol, L. Gallais et al., Opt. Comm. 256, 184-189 (2005). J. Y. Natoli, L. Gallais et al., Appl. Opt. 41, 3156-3166 (2002). H. Akhouayri, personal communication (2005). L. Gallais, J. Capoulade et al., J. Appl. Phys. 104, 053120 (2008). C. W. Carr, M. D. Feit et al., Meas.Sci. Technol. 17, 1958-1962 (2006). J. J. Adams, J. A. Jarboe et al., SPIE 6720, 72014-72014 (2008). L. Lamaignere, M. Balas et al., J. Appl. Phys. 107, 023105 (2010). T. A. Laurence, J. D. Bude et al., Opt. Express 20, 11561-11573 (2012). A. Hildenbrand, F. R. Wagner et al., Opt. Eng. 47, 083603 (2008). Formation CNRS 2013 Fin i c r e M e r t o v pour Formation CNRS 2013 ! n o i t atten