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

O silício é a espinha dorsal silenciosa da tecnologia moderna, o material que alimenta desde os satélites que orbitam a Terra até os microchips em nossos telefones. No entanto, este material não é indestrutível. Quando exposto ao ambiente severo do espaço ou à intensa radiação de um reator nuclear, danos invisíveis começam a se acumular. Partículas de alta energia atingem os átomos de silício, expulsando-os de seu arranjo perfeito em forma de grade e criando pequenos clusters desordenados. Esses clusters são as principais cicatrizes da radiação e podem degradar lentamente o desempenho dos dispositivos que habitam. O problema para os cientistas é que essas cicatrizes são frequentemente tênues demais para serem vistas. Em uma imagem de microscopia eletrônica padrão, que atua como uma câmera poderosa para o mundo atômico, essas regiões danificadas produzem sinais tão fracos que se misturam perfeitamente ao fundo, efetivamente desaparecendo da vista. Sem conseguir ver esses defeitos, os engenheiros lutam para entender como a radiação danifica os materiais ou para prever quanto tempo um dispositivo durará em um ambiente hostil.

Para resolver este problema de invisibilidade, pesquisadores da Universidade de Aalto, na Finlândia, desenvolveram uma nova maneira de observar o silício usando uma combinação de imagem avançada e inteligência artificial. Eles focaram em um tipo específico de técnica de microscopia eletrônica chamada microscopia eletrônica de transmissão de campo escuro anular de alto ângulo. Imagine tirar uma série de fotografias de um único objeto, mas em vez de mover a câmera, você altera levemente o foco da lente para cada foto. Neste método, o microscópio tira uma pilha de imagens em diferentes níveis de foco, criando uma série focal. Embora uma única imagem possa mostrar nada além de um cinza uniforme e borrado, as sutis mudanças de brilho e contraste ao longo de toda a pilha contêm pistas ocultas sobre a forma e a localização tridimensional dos defeitos. No entanto, essas pistas são tão fracas e enterradas no ruído que o olho humano não consegue montá-las.

Os pesquisadores treinaram um sistema de computador, um tipo de modelo de aprendizado profundo conhecido como rede neural, para atuar como um tradutor desses sinais ocultos. Eles não começaram com imagens do mundo real, mas com uma vasta biblioteca de dados simulados. Usando simulações computacionais poderosas, eles modelaram como a radiação desloca os átomos no silício, criando clusters realistas de danos. Em seguida, simularam o que um microscópio eletrônico veria se fotografasse esses clusters simulados, gerando milhares de séries focais que incluíam os mesmos tipos de desfoque e ruído encontrados em experimentos reais. O computador aprendeu a reconhecer os padrões específicos de luz e sombra que esses defeitos invisíveis projetam através dos diferentes níveis de foco. Uma vez treinado, o sistema podia olhar para uma nova pilha de imagens e prever exatamente onde os defeitos estavam, criando um mapa para cada plano focal.

Os resultados desta abordagem representam um passo significativo para ver o invisível. Quando os pesquisadores aplicaram seu sistema treinado aos dados simulados, ele reconstruiu com sucesso a forma tridimensional dos clusters de defeitos. O sistema conseguiu localizar o centro de uma região danificada com um erro de menos de um nanômetro, o que é aproximadamente a largura de alguns átomos de silício. Também estimou o tamanho e a forma dos clusters com precisão razoável, mesmo quando as imagens estavam ruidosas e borradas, mimetizando as condições difíceis de um laboratório real. Os pesquisadores descobriram que, embora o sistema não pudesse reconstruir perfeitamente cada átomo individual do defeito, ele poderia identificar de forma confiável o volume e a orientação geral do dano. Isso significa que, em vez de ver nada, os cientistas agora podem gerar um modelo 3D grosseiro, porém útil, do dano, dizendo-lhes não apenas que um defeito existe, mas aproximadamente o quão grande ele é e onde ele se situa dentro do material.

Este trabalho sugere um novo caminho para a caracterização de danos por radiação que antes era impossível. O método não depende de encontrar uma única imagem nítida de um defeito, que muitas vezes não existe. Em vez disso, ele reúne informações fracas e dispersas de uma série inteira de imagens e usa os padrões aprendidos da física para montar uma imagem coerente. Os pesquisadores ressaltam cautelosamente que seus resultados vêm de simulações, e o próximo passo será testar o sistema em amostras reais de silício que foram irradiadas. Se o método se sustentar no mundo real, poderá fornecer uma ferramenta vital para garantir a confiabilidade de eletrônicos em aplicações espaciais e nucleares, transformando ameaças invisíveis em dados visíveis e mensuráveis. Ao tornar o invisível visível, esta abordagem oferece uma maneira de compreender os limites fundamentais dos materiais que alimentam nosso mundo tecnológico.