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

硅是现代技术的无声支柱，这种材料为从绕地运行的卫星到手机中的微芯片等一切事物提供动力。然而，这种材料并非不可摧毁。当暴露在太空的恶劣环境或核反应堆的强烈辐射中时，肉眼看不见的损伤便开始累积。高能粒子撞击硅原子，将它们从完美的网格状排列中撞出，并产生微小的、紊乱的簇。这些簇是辐射造成的主要伤痕，它们会缓慢地降低其所处设备的性能。科学家面临的问题在于，这些伤痕往往过于微弱而难以察觉。在标准的电子显微镜图像中（这种图像就像是原子世界的强力相机），这些受损区域产生的信号如此微弱，以至于它们与背景完美融合，实际上从视野中消失了。由于无法看到这些缺陷，工程师们难以理解辐射是如何损伤材料的，也难以预测设备在恶劣环境中能维持多久。

为了解决这个“隐形”问题，芬兰阿尔托大学的研究人员开发了一种结合先进成像技术与人工智能的新方法来观察硅。他们专注于一种被称为高角环形暗场扫描透射电子显微镜的特定技术。想象一下拍摄一系列同一物体的照片，但不是移动相机，而是为每一张照片稍微改变镜头的焦距。在这种方法中，显微镜会拍摄一系列不同焦平面下的图像，从而创建一个焦距序列。虽然单张图像可能只显示一片模糊且均匀的灰色，但整个序列中亮度与对比度的细微变化包含了关于缺陷的三维形状和位置的隐藏线索。然而，这些线索非常微弱且埋没在噪声之中，人类的眼睛无法将其拼凑起来。

研究人员训练了一个计算机系统——一种被称为神经网络的深度学习模型——来充当这些隐藏信号的“翻译官”。他们并非从真实的图像开始，而是利用一个庞大的模拟数据库。通过强大的计算机模拟，他们模拟了辐射如何撞击硅中的原子，从而产生真实的损伤簇。随后，他们模拟了如果电子显微镜拍摄这些模拟出的簇会看到什么，生成了数千个包含真实实验中那种模糊与噪声的焦距序列。计算机学会了识别这些不可见的缺陷在不同焦平面上投下的特定光影模式。一旦训练完成，该系统就可以观察新的图像序列，并准确预测缺陷所在的位置，为每个焦平面绘制地图。

这一方法的结果是向“看见不可见”迈出了重要的一步。当研究人员将训练好的系统应用于模拟数据时，它成功重建了缺陷簇的三维形状。该系统能够将受损区域的中心定位在误差小于一纳米以内，这大约仅为几个硅原子的宽度。即使在图像充满噪声和模糊（模拟了实验室中的困难条件）的情况下，它也能相当准确地估算簇的大小和形状。研究人员发现，虽然该系统不能完美地重建缺陷中的每一个原子，但它能可靠地识别出损伤的总体体积和取向。这意味着，科学家不再是面对一片空白，而是可以生成一个粗略但有用的损伤三维模型，不仅能告诉他们缺陷是否存在，还能大致说明缺陷有多大以及位于材料中的什么位置。

这项工作为表征辐射损伤开辟了一条此前无法实现的路径。该方法并不依赖于寻找一张清晰的缺陷图像（这种图像通常并不存在），而是收集来自整个图像序列的微弱、散射的信息，并利用习得的物理模式来组建出一幅连贯的图景。研究人员谨慎地指出，他们的结果源自模拟，下一步将是在经过辐照处理的真实硅样本上测试该系统。如果这种方法在现实世界中同样奏效，它将为确保空间及核应用中电子设备的可靠性提供至关重要的工具，将隐形的威胁转化为可见的、可测量的观测数据。通过使不可见变为可见，这种方法为理解支撑我们技术世界的材料之根本极限提供了一种途径。