Online Beam Current Estimation in Particle Beam Microscopy

Deze paper introduceert een methode om de bundelstroom in deeltjesbundelmicroscopie online te schatten uit secundaire elektronenmetingen, waardoor de nauwkeurigheid van micrografieën en de bescherming van monsters aanzienlijk worden verbeterd zonder offline kalibratie.

De kern

Deel 1: Het Probleem – Een Flakkerende Lantaarnpaal

Stel je voor dat je een heel oude, donkere kamer moet fotograferen. Je gebruikt een zaklamp om te kijken, maar er is een groot probleem: de batterij van je zaklamp is aan het uitlopen. Het licht flakkert constant. Soms is het fel, soms heel zwak.

Als je nu een foto maakt van een schilderij in die kamer, en je weet niet dat je zaklamp flakkert, krijg je een rare foto. De delen die je fotografeerde toen het licht zwak was, zien er donker en grijs uit. De delen die je fotografeerde toen het licht fel was, zien er helder en wit uit. Het resultaat is een foto met rare, horizontale strepen, alsof het schilderij is afgeschilderd met een kwast die steeds van kleur verandert.

In de wereld van de deeltjesmicroscopie (waar wetenschappers kijken naar superkleine dingen zoals atomen of virusdeeltjes) gebeurt precies dit. Ze gebruiken een straal van deeltjes (zoals helium- of neon-ionen) om een afbeelding te maken. Maar deze straal is niet stabiel; de "stroom" (het aantal deeltjes) varieert. Dit zorgt voor die vervelende strepen op de foto's en maakt het moeilijk om precies te boren of te snijden in het materiaal (een proces dat 'milling' heet).

Vroeger moesten wetenschappers eerst de microscoop "kalibreren" (afstellen) in een aparte kamer, voordat ze überhaupt konden beginnen met fotograferen. Dat is als het opwinden van een uurwerk voordat je de tijd kunt aflezen.

Deel 2: De Oplossing – Een Slimme Gok

De onderzoekers in dit artikel hebben een slimme truc bedacht. Ze zeggen: "Waarom wachten tot we de stroom meten? Laten we de stroom gewoon raden terwijl we fotograferen!"

Hoe kunnen ze dat doen? Ze gebruiken een methode die lijkt op het tellen van regen druppels.

Stel je voor dat je een emmer onder de regen houdt.

• De oude manier: Je wacht tot de emmer vol is en telt dan hoeveel druppels erin zitten. Als je niet weet hoe hard het regende, kun je niet weten of de emmer snel vol liep of langzaam.
• De nieuwe manier (Time-Resolved): Je deelt de tijd op in heel korte momenten. Je kijkt niet naar de hele emmer, maar naar heel kleine slokjes regen die je in heel korte tijd opvangt.

Door te kijken naar de patronen van deze korte slokjes, kunnen ze twee dingen tegelijk berekenen:

1. Hoe "nat" het oppervlak is (hoeveel deeltjes er uit het monster komen, de SE yield).
2. Hoe hard het eigenlijk regende (hoe sterk de deeltjesstraal was, de beam current).

Het is alsof je door te kijken naar hoe snel een emmer volloopt in kleine slokjes, zowel de hoeveelheid water als de kracht van de regenstraal kunt achterhalen, zonder dat je een aparte regenmeter nodig hebt.

Deel 3: De Slimme Software – Het Oplossen van een Puzzel

De onderzoekers hebben twee soorten "slimme software" bedacht om dit te doen, afhankelijk van hoe het licht (de straal) zich gedraagt:

1. Voor de "Zachte" Straal (Helium & Elektronen):
   Hier verandert de straal langzaam en soepel, net als een dimmerknop die je zachtjes draait. De software kijkt naar de foto's die ze al hebben gemaakt en zegt: "Hé, de vorige pixel was iets donkerder, dus de straal was waarschijnlijk iets zwakker. Laten we dat meenemen in de berekening voor de volgende pixel." Ze gebruiken ook een trucje genaamd "Total Variation", wat betekent dat ze aannemen dat een foto meestal niet uit pure ruis bestaat, maar uit gladde vlakken en scherpe randen. Dit helpt om de strepen weg te halen.

2. Voor de "Huppelende" Straal (Neon):
   Bij neon-ionen springt de straal soms plotseling van de ene sterkte naar de andere, net als een lamp die knippert tussen 'aan' en 'uit'. De software gebruikt hier een Hidden Markov Model. Dat klinkt ingewikkeld, maar het is eigenlijk als het oplossen van een raadsel. De software denkt: "Als de straal net 'aan' was, is de kans groot dat hij nu nog 'aan' is, tenzij hij net geknald is. Laten we de hele foto bekijken en de meest waarschijnlijke volgorde van 'aan' en 'uit' achterhalen."

Deel 4: Het Resultaat – Scherpe Foto's zonder Strepen

Wat leverde dit op?

• Geen strepen meer: De microscopie-foto's zijn nu haarscherp, zonder die storende horizontale strepen.
• Beter boren: Als je met een deeltjesstraal materiaal wegborst (milling), weet je nu precies hoeveel kracht je uitoefent. Je breekt het materiaal niet per ongeluk kapot.
• Diagnose: De microscoop kan zichzelf controleren. Als de software ziet dat de straal heel onstabiel is, kan hij de operator waarschuven: "Hé, de lamp van je zaklamp is bijna leeg, vervang de batterij!"

Samenvatting in één zin:
Deze onderzoekers hebben een slimme rekenmethode bedacht die de "flakkering" van de deeltjesstraal in een microscoop direct tijdens het fotograferen oplost, waardoor ze haarscherpe foto's kunnen maken en precies kunnen boren, zonder eerst de machine handmatig af te hoeven stellen. Ze hebben de "regenmeter" vervangen door een slimme berekening die de regen zelf meet terwijl hij valt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Online Beam Current Estimation in Particle Beam Microscopy" in het Nederlands.

Titel: Online Schatting van de Bundelstroom in Deeltjesbundelmicroscopie

Auteurs: Sheila W. Seidel, Luisa Watkins, Minxu Peng, Akshay Agarwal, Christopher Yu, en Vivek K Goyal.

---

1. Het Probleem

In conventionele deeltjesbundelmicroscopie (zoals Scanning Electron Microscopy - SEM, en Focus Ion Beam - FIB met helium, neon of gallium ionen) is kennis van de bundelstroom (beam current, $\lambda$) cruciaal voor het vormen van accurate micrografieën en voor precisie-milling (afgraven van monsters).

• Huidige situatie: Bundelstroom fluctueert vaak door verontreiniging in het instrument of veroudering van de bron. Traditioneel wordt dit opgelost door offline kalibratie of door post-processing algoritmen om "strepen" (stripe artifacts) in de afbeelding te verwijderen.
• De uitdaging: Als de bundelstroom niet constant is maar varieert tijdens het raster-scannen, ontstaan er horizontale strepen in de micrograaf. Bestaande methoden voor het verwijderen van deze strepen zijn vaak post-hoc (na de opname) en vereisen geen kennis van de daadwerkelijke stroom, maar herstellen de afbeelding niet perfect.
• Specifiek probleem: Het schatten van zowel de Secundaire Elektronen (SE) opbrengst ($\eta$, die de afbeelding vormt) als de bundelstroom ($\lambda$) tegelijkertijd uit één enkele meting lijkt onmogelijk omdat ze in de conventionele meting onlosmakelijk verbonden zijn ($E[Y] = \lambda\eta$).

2. Methodologie

De auteurs stellen een methode voor om de bundelstroom online (tijdens de opname) te schatten uit dezelfde data die gebruikt wordt voor de afbeelding, zonder kalibratie-monsters.

Kernconcept: Tijd-opgeloste (Time-Resolved, TR) metingen
In plaats van één som van alle secundaire elektronen over de hele verblijftijd (dwell time) te meten, wordt de verblijftijd opgedeeld in $n$ kortere sub-aankopen.

• Model: De aankomst van ionen wordt gemodelleerd als een Poisson-proces. Het aantal secundaire elektronen per ion is ook Poisson-verdeeld.
• Data: De meting bestaat uit een vector van tellingen per sub-aankoop. Deze vector bevat meer informatie dan alleen de totale som, waardoor het mogelijk wordt om $\lambda$ en $\eta$ te ontwarren.

Statistische Analyse en Schatters

• Cramér-Rao Bound (CRB): De auteurs analyseren de theoretische ondergrens voor de variantie van onbevooroordeelde schatters. Ze tonen aan dat bij hoge SE-opbrengst ($\eta$), het gezamenlijk schatten van $\lambda$ en $\eta$ bijna even makkelijk is als het schatten van alleen $\eta$ als $\lambda$ bekend zou zijn. Bij lage $\eta$ wordt het echter moeilijker.
• Schattingsalgoritmen:
  1. Single-pixel schatters: Maximum Likelihood (ML) schatters voor zowel Continue Tijd (CT) als Discrete Tijd (DT) metingen. Deze gebruiken de Neyman Type A verdeling.
  2. Multi-pixel schatters (exploiteren van correlatie): Omdat bundelstroom niet willekeurig varieert, gebruiken de auteurs modellen voor de variatie tussen pixels:
     • Voor Helium/Elektronenbundels (Gladde variatie): Een autoregressief model (Gaussisch) voor de stroom. Er worden zowel causale (online, pixel-voor-pixel) als niet-causale (offline, volledige afbeelding) algoritmen ontwikkeld, soms met Total Variation (TV) regularisatie voor de SE-opbrengst om ruwheid te verminderen.
     • Voor Neonbundels (Discrete sprongen): Een Hidden Markov Model (HMM) met twee toestanden (stroom springt tussen twee bekende waarden). Er worden Forward-algoritmen (causaal) en Forward-Backward-algoritmen (niet-causaal) gebruikt.

3. Belangrijkste Bijdragen

1. Theoretische haalbaarheid: Bewijs via de Cramér-Rao bound dat gezamenlijke schatting van bundelstroom en SE-opbrengst mogelijk is met tijd-opgeloste metingen, zelfs zonder kalibratie.
2. Nieuwe schatters: Ontwikkeling van ML-schatters voor zowel single-pixel als multi-pixel scenario's, inclusief algoritmen die gebruikmaken van Markov-modellen voor bundelstroomvariatie.
3. Wiskundige innovatie: Afleiding van numerieke methoden voor de afgeleiden van de Neyman Type A waarschijnlijkheidsverdeling, uitgedrukt in termen van Touchard-polynomen, wat essentieel is voor de optimalisatie.
4. Prestatieverbetering: Demonstration dat de geschatte SE-opbrengst (en dus de micrograafkwaliteit) de state-of-the-art methoden (zoals frequentiedomein filtering) overtreft en bijna gelijkstaat aan de kwaliteit die bereikt wordt met perfecte kennis van de bundelstroom.

4. Resultaten

De methoden zijn getest op synthetische microscopiedata voor Helium Ion Microscopie (HIM) en Scanning Electron Microscopie (SEM), evenals voor Neon Ion Microscopie.

• Kwaliteit van de micrograaf:
  • De traditionele methode (aannemen van constante stroom) levert afbeeldingen op met duidelijke strepenartefacten.
  • De nieuwe gezamenlijke schatters (zonder TV) benaderen de prestaties van een "oracle" (waarbij de ware stroom bekend is).
  • Met Total Variation regularisatie overtreffen de voorgestelde methoden zelfs de oracle-methode (die geen ruimtelijke regularisatie gebruikt), met een RMSE (Root Mean Squared Error) die ongeveer twee keer zo laag is.
• Bundelstroomschatting:
  • De geschatte bundelstroom ($\hat{\lambda}$) volgt de ware stroom zeer nauwkeurig.
  • Bij het Neon-voorbeeld (discrete sprongen) had het niet-causale HMM-algoritme een foutpercentage van slechts 0,21% in het herkennen van de stroomtoestand.
• Robuustheid: De algoritmen zijn robuust tegen variaties in de gekozen hyperparameters (zoals de correlatiecoëfficiënt en regularisatie-sterkte).

5. Betekenis en Toekomstperspectief

Deze innovatie heeft aanzienlijke implicaties voor de deeltjesbundelmicroscopie:

• Eliminatie van artefacten: Het voorkomt horizontale strepen in afbeeldingen die ontstaan door stroomfluctuaties, wat leidt tot scherpere en nauwkeurigere micrografieën.
• Milling en Sample Damage: Real-time kennis van de bundelstroom stelt het instrument in staat de verblijftijd (dwell time) dynamisch aan te passen. Dit verbetert de precisie van milling (afgraven) en voorkomt onnodige schade aan het monster door te hoge doses.
• Instrumentdiagnose: Het biedt operators directe feedback over de gezondheid van het instrument (bijv. vervuiling of bronveroudering), wat onderhoudstijd kan besparen.
• Adoptie van nieuwe technologieën: Het kan de adoptie van krachtige maar lastige instrumenten (zoals Neon Ion Microscopen, die last hebben van instabiele stroom) versnellen door het stabiliteitsprobleem softwarematig op te lossen.

Kortom, dit werk transformeert de bundelstroom van een onbekende, storende variabele naar een schatbare parameter die online kan worden gebruikt om de beeldkwaliteit en procescontrole te maximaliseren.