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

सिलिकॉन आधुनिक तकनीक की मूक रीढ़ है, वह सामग्री जो पृथ्वी की कक्षा में घूमते उपग्रहों से लेकर हमारे फोन के माइक्रोचिप्स तक, सब कुछ संचालित करती है। फिर भी, यह सामग्री अविनाशी नहीं है। जब इसे अंतरिक्ष के कठोर वातावरण या परमाणु रिएक्टर के तीव्र विकिरण के संपर्क में लाया जाता है, तो अदृश्य क्षति जमा होने लगती है। उच्च-ऊर्जा वाले कण सिलिकॉन परमाणुओं से टकराते हैं, जिससे वे अपनी पूर्ण ग्रिड जैसी व्यवस्था से बाहर निकल जाते हैं और छोटे, अव्यवस्थित क्लस्टर (समूह) बना देते हैं। ये क्लस्टर विकिरण के प्राथमिक निशान हैं, और वे धीरे-धीरे उन उपकरणों के प्रदर्शन को कम कर सकते हैं जिनमें वे स्थित होते हैं। वैज्ञानिकों के लिए समस्या यह है कि ये निशान अक्सर इतने धुंधले होते हैं कि दिखाई नहीं देते। एक मानक इलेक्ट्रॉन माइक्रोस्कोप छवि में, जो परमाणु दुनिया के लिए एक शक्तिशाली कैमरे की तरह कार्य करती है, ये क्षतिग्रस्त क्षेत्र इतने कमजोर संकेत उत्पन्न करते हैं कि वे पृष्ठभूमि में सहजता से मिल जाते हैं, और प्रभावी रूप से दृष्टि से ओझल हो जाते हैं। इन दोषों को देखने में सक्षम न होने के कारण, इंजीनियर इस बात को समझने के लिए संघर्ष करते हैं कि विकिरण सामग्रियों को कैसे नुकसान पहुँचाता है या किसी प्रतिकूल वातावरण में कोई उपकरण कितने समय तक टिकेगा, इसका पूर्वानुमान कैसे लगाया जाए।

इस अदृश्यता की समस्या को हल करने के लिए, फिनलैंड के आल्टो विश्वविद्यालय के शोधकर्ताओं ने उन्नत इमेजिंग और आर्टिफिशियल इंटेलिजेंस के संयोजन का उपयोग करके सिलिकॉन को देखने का एक नया तरीका विकसित किया है। उन्होंने 'हाई-एंगल एनुलर डार्क-फील्ड स्कैनिंग ट्रांसमिशन इलेक्ट्रॉन माइक्रोस्कोपी' नामक एक विशिष्ट प्रकार की इलेक्ट्रॉन माइक्रोस्कोप तकनीक पर ध्यान केंद्रित किया। कल्पना कीजिए कि आप एक ही वस्तु की कई तस्वीरें ले रहे हैं, लेकिन कैमरा हिलाने के बजाय, आप प्रत्येक शॉट के लिए लेंस के फोकस को थोड़ा बदलते हैं। इस पद्धति में, माइक्रोस्कोप विभिन्न फोकस स्तरों पर छवियों का एक स्टैक (ढेर) लेता है, जिससे एक 'फोकल सीरीज़' तैयार होती है। जबकि एक एकल छवि कुछ भी नहीं बल्कि एक धुंधला, एकसमान धूसर रंग दिखा सकती है, पूरी स्टैक में चमक और कंट्रास्ट में सूक्ष्म परिवर्तन दोषों के त्रि-आयामी आकार और स्थान के बारे में छिपे हुए सुराग प्रदान करते हैं। हालाँकि, ये सुराग इतने सूक्ष्म और शोर (नॉइज़) में दबे होते हैं कि मानवीय आँख इन्हें जोड़कर देख नहीं पाती।

शोधकर्ताओं ने एक कंप्यूटर सिस्टम को प्रशिक्षित किया, जो डीप लर्निंग मॉडल का एक प्रकार है जिसे न्यूरल नेटवर्क कहा जाता है, ताकि वह इन छिपे हुए संकेतों के लिए एक अनुवादक के रूप में कार्य कर सके। उन्होंने वास्तविक दुनिया की छवियों से शुरुआत नहीं की, बल्कि सिम्युलेटेड (सिम्युलेटेड) डेटा के एक विशाल पुस्तकालय का उपयोग किया। शक्तिशाली कंप्यूटर सिमुलेशन का उपयोग करके, उन्होंने मॉडल बनाया कि कैसे विकिरण सिलिकॉन में परमाणुओं को इधर-उधर करता है, जिससे क्षति के यथार्थवादी क्लस्टर बनते हैं। इसके बाद उन्होंने सिम्युलेटेड किया कि यदि एक इलेक्ट्रॉन माइक्रोस्कोप इन सिम्युलेटेड क्लस्टरों की तस्वीर लेता तो वह क्या देखता, जिससे हजारों फोकल सीरीज़ उत्पन्न हुईं जिनमें वास्तविक प्रयोगों में पाए जाने वाले समान प्रकार के धुंधलेपन और शोर को शामिल किया गया था। कंप्यूटर ने उन प्रकाश और छाया के विशिष्ट पैटर्न को पहचानना सीखा जो इन अदृश्य दोषों ने विभिन्न फोकस स्तरों पर डाले थे। प्रशिक्षित होने के बाद, सिस्टम एक नई छवियों की स्टैक को देख सकता था और सटीक भविष्यवाणी कर सकता था कि दोष कहाँ थे, जिससे प्रत्येक फोकस प्लेन के लिए एक मानचित्र तैयार होता था।

इस दृष्टिकोण के परिणाम अदृश्यों को देखने की दिशा में एक महत्वपूर्ण कदम हैं। जब शोधकर्ताओं ने अपने प्रशिक्षित सिस्टम को सिम्युलेटेड डेटा पर लागू किया, तो इसने सफलतापूर्वक दोष समूहों (डिफेक्ट क्लस्टर्स) के त्रि-आयामी आकार का पुनर्निर्माण किया। सिस्टम एक नैनोमीटर से भी कम की त्रुटि के साथ क्षतिग्रस्त क्षेत्र के केंद्र का पता लगा सका, जो लगभग कुछ सिलिकॉन परमाणुओं की चौड़ाई के बराबर है। इसने शोर और धुंधली छवियों के बावजूद, जो वास्तविक प्रयोगशाला की कठिन स्थितियों की नकल करती हैं, क्लस्टरों के आकार और आकृति का भी उचित सटीकता के साथ अनुमान लगाया। शोधकर्ताओं ने पाया कि हालांकि सिस्टम दोष के हर एक परमाणु का पूर्णतः पुनर्निर्माण नहीं कर सका, लेकिन यह क्षति के समग्र आयतन और अभिविन्यास (ओरिएंटेशन) की विश्वसनीय रूप से पहचान कर सकता था। इसका अर्थ यह है कि कुछ न देखने के बजाय, वैज्ञानिक अब क्षति का एक मोटा लेकिन उपयोगी 3D मॉडल बना सकते हैं, जो उन्हें न केवल यह बताता है कि एक दोष मौजूद है, बल्कि यह भी बताता है कि वह मोटे तौर पर कितना बड़ा है और सामग्री के भीतर कहाँ स्थित है।

यह कार्य विकिरण क्षति के लक्षण वर्णन के लिए एक नए मार्ग का सुझाव देता है जो पहले असंभव था। यह विधि दोष की एक एकल, स्पष्ट छवि खोजने पर निर्भर नहीं करती है, जो अक्सर अस्तित्व में ही नहीं होती। इसके बजाय, यह छवियों की एक पूरी श्रृंखला से कमजोर, बिखरी हुई जानकारी एकत्र करती है और एक सुसंगत चित्र बनाने के लिए भौतिकी के सीखे गए पैटर्न का उपयोग करती है। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि उनके परिणाम सिमुलेशन से आए हैं, और अगला कदम सिस्टम का परीक्षण वास्तविक सिलिकॉन नमूनों पर करना है जिन्हें विकिरणित किया गया है। यदि यह पद्धति वास्तविक दुनिया में सफल रहती है, तो यह अंतरिक्ष और परमाणु अनुप्रयोगों में इलेक्ट्रॉनिक्स की विश्वसनीयता सुनिश्चित करने के लिए एक महत्वपूर्ण उपकरण प्रदान कर सकती है, जिससे अदृश्य खतरों को दृश्य, मापने योग्य डेटा में बदला जा सकता है। अदृश्य को दृश्य बनाकर, यह दृष्टिकोण उन सामग्रियों की मौलिक सीमाओं को समझने का एक तरीका प्रदान करता है जो हमारी तकनीकी दुनिया को संचालित करती हैं।