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

Le silicium est l'épine dorsale silencieuse de la technologie moderne, le matériau qui alimente tout, des satellites en orbite autour de la Terre aux puces électroniques de nos téléphones. Pourtant, ce matériau n'est pas indestructible. Lorsqu'il est exposé à l'environnement hostile de l'espace ou au rayonnement intense d'un réacteur nucléaire, des dommages invisibles commencent à s'accumuler. Des particules de haute énergie frappent les atomes de silicium, les expulsant de leur arrangement parfait en grille et créant de minuscules amas désordonnés. Ces amas sont les principales cicatrices du rayonnement, et ils peuvent lentement dégrader les performances des dispositifs qu'ils habitent. Le problème pour les scientifiques est que ces cicatrices sont souvent trop ténues pour être vues. Dans une image classique de microscope électronique, qui agit comme un appareil photo puissant pour le monde atomique, ces régions endommagées produisent des signaux si faibles qu'ils se fondent harmonieusement dans l'arrière-plan, disparaissant de fait de la vue. Sans pouvoir voir ces défauts, les ingénieurs peinent à comprendre comment le rayonnement endommage les matériaux ou à prédire combien de temps un dispositif durera dans un environnement hostile.

Pour résoudre ce problème d'invisibilité, des chercheurs de l'Université Aalto en Finlande ont développé une nouvelle façon d'observer le silicium en utilisant une combinaison d'imagerie avancée et d'intelligence artificielle. Ils se sont concentrés sur un type spécifique de technique de microscopie électronique appelé la microscopie électronique en transmission à champ sombre annulaire à grand angle. Imaginez prendre une série de photographies d'un seul objet, mais au lieu de déplacer l'appareil photo, vous modifiez légèrement la mise au point de l'objectif pour chaque cliché. Dans cette méthode, le microscope prend une pile d'images à différents niveaux de mise au point, créant une série focale. Alors qu'une seule image pourrait ne rien montrer d'autre qu'un gris flou et uniforme, les subtiles variations de luminosité et de contraste à travers l'ensemble de la pile contiennent des indices cachés sur la forme et l'emplacement tridimensionnels des défauts. Cependant, ces indices sont si faibles et enfouis dans le bruit que l'œil humain ne peut les assembler.

Les chercheurs ont entraîné un système informatique, un type de modèle d'apprentissage profond connu sous le nom de réseau de neurones, pour agir comme un traducteur de ces signaux cachés. Ils n'ont pas commencé avec des images du monde réel, mais avec une vaste bibliothèque de données simulées. En utilisant de puissantes simulations informatiques, ils ont modélisé la manière dont le rayonnement déplace les atomes dans le silicium, créant des amas de dommages réalistes. Ils ont ensuite simulé ce qu'un microscope électronique verrait s'il photographiait ces amas simulés, générant des milliers de séries focales qui incluaient les mêmes types de flou et de bruit que dans les expériences réelles. L'ordinateur a appris à reconnaître les motifs spécifiques d'ombre et de lumière que ces défauts invisibles projettent à travers les différents niveaux de mise au point. Une fois entraîné, le système pouvait examiner une nouvelle pile d'images et prédire exactement où se trouvaient les défauts, créant une carte pour chaque plan focal.

Les résultats de cette approche constituent une avancée significative pour voir l'invisible. Lorsque les chercheurs ont appliqué leur système entraîné aux données simulées, il a réussi à reconstruire la forme tridimensionnelle des amas de défauts. Le système a pu localiser le centre d'une région endommagée avec une erreur de moins d'un nanomètre, ce qui correspond environ à la largeur de quelques atomes de silicium. Il a également estimé la taille et la forme des amas avec une précision raisonnable, même lorsque les images étaient bruitées et floues, imitant les conditions difficiles d'un véritable laboratoire. Les chercheurs ont constaté que, bien que le système ne puisse pas reconstruire parfaitement chaque atome du défaut, il pouvait identifier de manière fiable le volume global et l'orientation des dommages. Cela signifie qu'au lieu de ne rien voir, les scientifiques peuvent désormais générer un modèle 3D grossier mais utile du dommage, leur indiquant non seulement qu'un défaut existe, mais aussi approximativement sa taille et sa position au sein du matériau.

Ce travail suggère une nouvelle voie pour la caractérisation des dommages par rayonnement, auparavant impossible. La méthode ne repose pas sur la recherche d'une image unique et nette d'un défaut, qui n'existe souvent pas. Au lieu de cela, elle recueille des informations faibles et dispersées provenant d'une série entière d'images et utilise les modèles appris de la physique pour assembler une image cohérente. Les chercheurs précisent avec prudence que leurs résultats proviennent de simulations, et la prochaine étape consistera à tester le système sur de vrais échantillons de silicium qui ont été irradiés. Si la méthode tient bon dans le monde réel, elle pourrait fournir un outil vital pour assurer la fiabilité de l'électronique dans les applications spatiales et nucléaires, transformant des menaces invisibles en données visibles et mesurables. En rendant l'invisible visible, cette approche offre un moyen de comprendre les limites fondamentales des matériaux qui alimentent notre monde technologique.