Finding the invisible defects in silicon with deep learning from HAADF-STEM focal series

Silizium ist das stille Rückgrat der modernen Technologie, das Material, das alles antreibt, von den Satelliten, die die Erde umkreisen, bis hin zu den Mikrochips in unseren Telefonen. Doch dieses Material ist nicht unzerstörbar. Wenn es der rauen Umgebung des Weltraums oder der intensiven Strahlung eines Kernreaktors ausgesetzt ist, beginnt sich unsichtbarer Schaden anzuhäufen. Hochenenergetische Teilchen treffen auf die Siliziumatome, werfen sie aus ihrer perfekten gitterartigen Anordnung und erzeugen winzige, ungeordnete Cluster. Diese Cluster sind die primären Narben der Strahlung, und sie können die Leistung der Geräte, in denen sie leben, langsam beeinträchtigen. Das Problem für Wissenschaftler besteht darin, dass diese Narben oft zu schwach sind, um sie zu sehen. In einem Standardbild eines Elektronenmikroskops, das wie eine leistungsstarke Kamera für die atomare Welt fungiert, erzeugen diese beschädigten Regionen so schwache Signale, dass sie nahtlos im Hintergrund verschwinden und effektiv der Sicht entzogen werden. Ohne die Fähigkeit, diese Defekte zu sehen, haben Ingenieure Schwierigkeiten zu verstehen, wie Strahlung Materialien schädigt oder wie lange ein Gerät in einer feindseligen Umgebung halten wird.

Um dieses Problem der Unsichtbarkeit zu lösen, haben Forscher der Aalto-Universität in Finnland einen neuen Weg entwickelt, Silizium mithilfe einer Kombination aus fortschrittlicher Bildgebung und künstlicher Intelligenz zu betrachten. Sie konzentrierten sich auf eine spezielle Art der Elektronenmikroskopie namens hochwinkeliger, ringförmiger Dunkelfeld-Rastertransmissionselektronenmikroskopie (HAADF-STEM). Stellen Sie sich vor, Sie machen eine Serie von Fotografien eines einzelnen Objekts, aber anstatt die Kamera zu bewegen, ändern Sie für jedes Foto leicht den Fokus der Linse. Bei dieser Methode nimmt das Mikroskop einen Stapel von Bildern bei verschiedenen Fokusebenen auf und erstellt so eine Fokusserie. Während ein einzelnes Bild vielleicht nichts als ein verschwommenes, gleichmäßiges Grau zeigt, enthalten die subtilen Änderungen in Helligkeit und Kontrast über den gesamten Stapel hinweg verborgene Hinweise auf die dreidimensionale Form und Lage der Defekte. Diese Hinweise sind jedoch so schwach und im Rauschen vergraben, dass das menschliche Auge sie nicht zusammensetzen kann.

Die Forscher trainierten ein Computersystem, einen Typ eines Deep-Learning-Modells, bekannt als neuronales Netz, um als Übersetzer für diese verborgenen Signale zu fungieren. Sie begannen nicht mit realen Bildern, sondern mit einer massiven Bibliothek simulierter Daten. Mithunter Verwendung leistungsstarker Computersimulationen modellierten sie, wie Strahlung Atome in Silizium herumwirbelt und realistische Cluster von Schäden erzeugt. Dann simulierten sie, was ein Elektronenmikroskop sehen würde, wenn es diese simulierten Cluster fotografieren würde, wobei sie Tausende von Fokusserien generierten, die dieselben Arten von Unschärfe und Rauschen enthielten, die auch in echten Experimenten vorkommen. Der Computer lernte, die spezifischen Muster von Licht und Schatten zu erkennen, die diese unsichtbaren Defekte über die verschiedenen Fokusebenen hinweg werfen. Sobald das System trainiert war, konnte es einen neuen Bildstapel analysieren und genau vorhersagen, wo sich die Defekte befanden, indem es eine Karte für jede Fokusebene erstellte.

Die Ergebnisse dieses Ansatzes sind ein bedeutender Schritt nach vorn beim Sichtbarmachen des Unsichtbaren. Als die Forscher ihr trainiertes System auf die simulierten Daten anwandten, rekonstruierte es erfolgreich die dreidimensionale Form der Defektcluster. Das System konnte das Zentrum einer beschädigten Region mit einem Fehler von weniger als einem Nanometer lokalisieren, was etwa der Breite von wenigen Siliziumatomen entspricht. Es schätzte auch die Größe und Form der Cluster mit angemessener Genauigkeit, selbst wenn die Bilder verrauscht und verschwommen waren und die schwierigen Bedingungen eines echten Labors imitierten. Die Forscher stellten fest, dass das System zwar nicht in der Lage war, jedes einzelne Atom des Defekts perfekt zu rekonstruieren, aber in der Lage war, das Gesamtvolumen und die Orientierung des Schadens zuverlässig zu identifizieren. Das bedeutet, dass Wissenschaftler anstatt gar nichts zu sehen, nun in der Lage sind, ein grobes, aber nützliches 3D-Modell des Schadens zu erstellen, das ihnen nicht nur sagt, dass ein Defekt existiert, sondern auch in etwa, wie groß er ist und wo er sich innerhalb des Materials befindet.

Diese Arbeit deutet auf einen neuen Weg zur Charakterisierung von Strahlenschäden hin, der zuvor unmöglich war. Die Methode beruht nicht darauf, ein einzelnes, scharfes Bild eines Defekts zu finden, das oft gar nicht existiert. Stattdessen sammelt sie schwache, gestreute Informationen aus einer ganzen Serie von Bildern und nutzt die gelernten Muster der Physik, um ein kohärentes Bild zusammenzusetzen. Die Forscher weisen vorsichtig darauf hin, dass ihre Ergebnisse aus Simulationen stammen, und der nächste Schritt wird sein, das System an echten Siliziumproben zu testen, die bestrahlt wurden. Wenn sich die Methode in der realen Welt bewährt, könnte sie ein entscheidendes Werkzeug zur Gewährleistung der Zuverlässigkeit von Elektronik in der Raumfahrt und in nuklearen Anwendungen werden, indem sie unsichtbare Bedrohungen in sichtbare, messbare Daten verwandelt. Indem sie das Unsichtbare sichtbar macht, bietet dieser Ansatz einen Weg, die fundamentalen Grenzen der Materialien zu verstehen, die unsere technologische Welt antreiben.