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

Silicium is de stille ruggengraat van de moderne technologie, het materiaal dat alles aandrijft, van de satellieten die rond de aarde draaien tot de microchips in onze telefoons. Toch is dit materiaal niet onverwoestbaar. Wanneer het wordt blootgesteld aan de vijandige omgeving van de ruimte of de intense straling van een kernreactor, begint er onzichtbare schade te accumuleren. Hoogenergetische deeltjes raken de siliciumatomen, waardoor ze uit hun perfecte roosterstructuur worden geslagen en kleine, ongeordende clusters creëren. Deze clusters zijn de primaire littekens van straling, en ze kunnen de prestaties van de apparaten waarin ze zich bevinden langzaam degraderen. Het probleem voor wetenschappers is dat deze littekens vaak te zwak zijn om te zien. In een standaard elektronenmicroscoopbeeld, dat fungeert als een krachtige camera voor de atomaire wereld, produceren deze beschadigde regio's zulke zwakke signalen dat ze naadloos opgaan in de achtergrond, waardoor ze effectief uit het zicht verdwijnen. Zonder in staat te zijn deze defecten te zien, worstelen ingenieurs met de vraag hoe straling materialen beschadigt of hoe ze kunnen voorspellen hoe lang een apparaat in een vijandige omgeving zal meegaan.

Om dit probleem van onzichtbaarheid op te lossen, hebben onderzoekers aan de Aalto Universiteit in Finland een nieuwe manier ontwikkeld om naar silicium te kijken met behulp van een combinatie van geavanceerde beeldvorming en kunstmatige intelligentie. Ze richtten zich op een specifiek type elektronenmicroscopietechniek genaamd high-angle annular dark-field scanning transmission electron microscopy. Stel je voor dat je een reeks foto's maakt van één enkel object, maar in plaats van de camera te bewegen, verander je voor elke opname de focus van de lens een klein beetje. Bij deze methode maakt de microscoop een stapel beelden op verschillende focusniveaus, waardoor een focusreeks ontstaat. Terwijl een enkele afbeelding niets anders kan laten zien dan een wazig, uniform grijs vlak, bevatten de subtiele veranderingen in helderheid en contrast over de gehele stapel verborgen aanwijzingen over de driedimensionale vorm en locatie van de defecten. Deze aanwijzingen zijn echter zo zwak en begraven in ruis dat het menselijk oog ze niet kan samenvoegen.

De onderzoekers trainden een computersysteem, een type diep leerend model dat bekend staat als een neuraal netwerk, om te fungeren als een vertaler voor deze verborgen signalen. Ze begonnen niet met echte beelden, maar met een enorme bibliotheek van gesimuleerde data. Met behulp van krachtige computersimulaties modelleerden ze hoe straling siliciumatomen rondstuwt, waardoor realistische clusters van schade ontstaan. Vervolgens simuleerden ze wat een elektronenmicroscoop zou zien als deze gesimuleerde clusters zou fotograferen, waarbij duizenden focusreeksen werden gegenereerd die dezelfde soorten onscherpte en ruis bevatten als in echte experimenten. De computer leerde de specifieke patronen van licht en schaduw te herkennen die deze onzichtbare defecten over de verschillende focusniveaus werpen. Eenmaal getraind, kon het systeem een nieuwe stapel beelden bekijken en precies voorspellen waar de defecten zich bevonden, waardoor een kaart voor elk focusvlak werd gemaakt.

De resultaten van deze aanpak zijn een belangrijke stap voorwaarts in het zien van het onzichtbare. Toen de onderzoekers hun getrainde systeem toepasten op de gesimuleerde data, slaagde het erin de driedimensionale vorm van de defectclusters te reconstrueren. Het systeem kon het centrum van een beschadigd gebied lokaliseren met een fout van minder dan één nanometer, wat ongeveer de breedte is van enkele siliciumatomen. Het schatte ook de grootte en vorm van de clusters met redelijke nauwkeurigheid, zelfs wanneer de beelden ruisachtig en wazig waren, wat de moeilijke omstandigheden van een echt laboratorium nabootste. De onderzoekers ontdekten dat hoewel het systeem niet in staat was om elk afzonderlijk atoom van het defect perfect te reconstrueren, het wel betrouwbaar de algemene volume en oriëntatie van de schade kon identificeneren. Dit betekent dat in plaats van niets te zien, wetenschappers nu een grove maar nuttige 3D-model van de schade kunnen genereren, die hen niet alleen vertelt dat er een defect bestaat, maar ook ongeveer hoe groot het is en waar het zich binnen het materiaal bevindt.

Dit werk suggereert een nieuwe weg voor het karakteriseren van stralingsschade die voorheen onmogelijk was. De methode vertrouwt niet op het vinden van één enkel, scherp beeld van een defect, wat vaak niet bestaat. In plaats daarvan verzamelt het zwakke, verspreide informatie uit een hele reeks beelden en gebruikt het de geleerde patronen van de fysica om een samenhangend beeld te vormen. De onderzoekers merken er voorzichtig bij op dat hun resultaten voortkomen uit simulaties, en dat de volgende stap zal zijn om het systeem te testen op echte siliciummonsters die bestraald zijn. Als de methode standhoudt in de echte wereld, kan het een essentieel hulpmiddel bieden voor het waarborgen van de betrouwbaarheid van elektronica in ruimte- en nucleaire toepassingen, door onzichtbare dreigingen om te zetten in zichtbare, meetbare gegevens. Door het onzichtbare zichtbaar te maken, biedt deze aanpak een manier om de fundamentele grenzen te begrijpen van de materialen die onze technologische wereld aandrijven.