DOSSIER
Métrologie optique
Figure 6. Dispositif d ' imagerie à réallocation de photons iX01 développé par Iotametrix en collaboration avec ALPhANOV dans le cadre d ' un projet de maturation soutenu par XLIM, Université de Limoges, l ' incubateur AVRUL.
configuration laboratoire) [ 5 ], ce qui le rend utilisable pour un contrôle en temps réel et in situ, par exemple lors de la texturation laser de surfaces comparativement aux autres techniques décrites précédemment( Tableau 1).
Après avoir pu valider l’ intérêt industriel de la technologie sur différentes texturations de surface de type LIPSS( Figure 5) et avoir comparer les obtenues par rapport à l’ imagerie conventionnelle MEB, ALPhANOV et l’ ensemble de l’ équipe Iotametrix, à travers une phase de co-maturation ont réalisé le premier démonstrateur iX01, totalement intégrable dans un environnement industriel( Figure 6).
VERS UNE NANOFABRICATION PAR LASER INTELLIGENTE De nombreux travaux ont émergés ces derniers années sur l’ utilisation de l’ intelligence artificielle pour optimiser et prédire les paramètres d’ ablation laser, transformant ainsi la texturation de surface en un procédé plus précis et plus agile. Cependant, ces approches nécessitent des bases de données
RÉFÉRENCES structurées et riches, idéalement alimentées par des images haute résolution ou des données analytiques issues d’ équipements intégrables en ligne, sans perturber les cadences industrielles [ 7 ]. Dans ce contexte, les avancées en métrologie optique haute résolution, comme celles développées par IotaMetrix, se révèlent être un levier clé: elles permettent non seulement une caractérisation fine et en temps réel des nanostructures, mais aussi une intégration facilitée dans les lignes de production, répondant ainsi aux exigences de l’ industrie 4.0.
Au-delà d’ une simple caractérisation intrinsèque, cette synergie entre imagerie optique ultraprécise et l’ intelligence artificielle prédictive ouvre la voie à une nanofabrication intelligente. En combinant des données optiques fiables avec des algorithmes d’ apprentissage, il devient possible d’ envisager une personnalisation massive des surfaces fonctionnelles( hydrophobes, antibactériennes, optiques, etc.), tout en réduisant significativement les rebuts grâce à un contrôle qualité auto-adaptatif.
À terme, cette convergence technologique pourrait démocratiser l’ accès à des surfaces sur mesure, tout en renforçant la compétitivité des filières industrielles dans des secteurs stratégiques comme l’ aéronautique, le biomédical ou l’ énergie.
[ 1 ] F. Fraggelakis, G. Mincuzzi, J. Lopez, I. Manek-Hönninger, R. Kling, Appl. Surf. Sci. 470( 2018)
[ 2 ] A. Sikora, M. Faucon, L. Gemini, R. Kling, G. Mincuzzi, Appl. Surf. Sci. 591, 153230( 2022)
[ 3 ] Nikon Global Product Database, Riblet surface technology overview, available at https:// ngpd. nikon. com / en / riblet / overview /
[ 4 ] M. Madsen, P.-E. Hansen, Surf. Topogr.: Metrol. Prop. 4, 023003( 2016) [ 5 ] D. Ta, A. Aguilar, P. Bon, Opt. Express 31, 36420( 2023)
[ 6 ] J. Aguilar Mora, A. Abou Khalil, D. Pallarés Aldeiturriaga, X. Sedao, C. Mauclair, P. Bon, Sci. Rep. 13( 2023)
[ 7 ] E. Mottay, W. M. Barkat, E. Barjou, A. Bertrand, G. Mincuzzi, " Machine learning assisted optimization of surface roughness on silicon," Proc. SPIE PC13351, Laser-based Micro- and Nanoprocessing XIX, PC1335111( 2025).
44 www. photoniques. com I Photoniques 136