Beschleunigung des nanoskaligen X

Sep 11, 2023

1. Juni 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

peer-reviewte Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen

von der Chinesischen Akademie der Wissenschaften

Forscher des MIT und des Argonne National Laboratory haben eine Technik des maschinellen Lernens entwickelt, die den Prozess der nanoskaligen Röntgenbildgebung integrierter Schaltkreise erheblich beschleunigen und möglicherweise die Art und Weise, wie wir Elektronik herstellen und testen, revolutionieren könnte.

Integrierte Schaltkreise oder Mikrochips sind die Bausteine ​​moderner Elektronik, und ihre fortschreitende Miniaturisierung hat zu immer komplexeren und leistungsfähigeren Geräten geführt. Da jedoch die Komponenten dieser Mikrochips schrumpfen, wird es schwieriger, sie mit herkömmlichen bildgebenden Verfahren zu untersuchen und zu testen.

Eine vielversprechende Methode zur Abbildung nanoskaliger Bauteile ist die Synchrotron-Röntgen-Ptychographie-Tomographie, bei der hochenergetische Röntgenstrahlen das Material durchdringen und detaillierte Bilder der inneren Struktur erstellen. Allerdings ist die Röntgenbildgebung ein langsamer Prozess, der eine präzise Positionierung der Probe und des Detektors erfordert und es kann Stunden oder sogar Tage dauern, bis eine einzige Rekonstruktion erstellt ist.

Um diesen Prozess zu beschleunigen, wandten sich die Forscher des MIT und der Argonne dem maschinellen Lernen zu. Sie trainierten ein neuronales Netzwerk, um genaue Rekonstruktionen der Objekte in einem Bruchteil der Zeit vorherzusagen, die normalerweise erforderlich wäre. Ihr Netzwerk heißt APT oder Attentional Ptycho-Tomography und nutzt regulierende Prioritäten in Form typischer Muster im Inneren integrierter Schaltkreise sowie die Physik der Röntgenausbreitung durch das Objekt.

„Das neuronale Netzwerk ist in der Lage, aus einer kleinen Datenmenge zu lernen und zu verallgemeinern, was uns ermöglicht, die integrierten Schaltkreise schnell abzubilden und zu rekonstruieren“, sagte Iksung Kang, der Hauptautor der Arbeit. Die Forscher stellten fest, dass ihr Ansatz die gesamte für die Bildgebung erforderliche Datenerfassungs- und Berechnungszeit erheblich reduziert. Sie testeten ihre Technik an echten integrierten Schaltkreisen und konnten in nur wenigen Minuten detaillierte Bilder aufnehmen, verglichen mit den Stunden, die normalerweise dafür nötig wären.

„Diese neue Methode könnte eine wirksame Lösung für die Qualitätssicherung sein“, sagten sie. „Durch die Beschleunigung des Bildgebungsprozesses können wir Fabriken auch die Verbindung zu Synchrotron-Röntgenquellen ermöglichen.“

Die Forscher stellten fest, dass ihr Ansatz erhebliche Auswirkungen auf eine Vielzahl von Bereichen haben könnte, darunter Materialwissenschaften und biologische Bildgebung. „Unsere Forschung befasst sich mit einer entscheidenden Herausforderung bei der nichtinvasiven Röntgenbildgebung von nanoskaligen Objekten wie integrierten Schaltkreisen“, sagte der Hauptautor. „Wir glauben, dass unser physikgestütztes und aufmerksamkeitsnutzendes Framework für maschinelles Lernen auf andere Bereiche der nanoskaligen Bildgebung anwendbar sein könnte.“

Die Arbeit ist in der Zeitschrift Light: Science & Applications veröffentlicht.

Mehr Informationen: Iksung Kang et al., Attentional Ptycho-Tomography (APT) für dreidimensionale nanoskalige Röntgenbildgebung mit minimaler Datenerfassung und Rechenzeit, Light: Science & Applications (2023). DOI: 10.1038/s41377-023-01181-8

Zeitschrifteninformationen:Licht: Wissenschaft und Anwendungen

Zur Verfügung gestellt von der Chinesischen Akademie der Wissenschaften