走査型超解像顕微鏡画像の深層学習によるSEM様画像への変換

科学分野:

• 材料科学
• ナノテクノロジー
• コンピュータサイエンス

背景:

• 走査型電子顕微鏡（SEM）はナノスケールイメージングを提供するが、真空とサンプルコーティングが必要である。
• 光学超解像（OSR）顕微鏡は代替手段を提供するが、特定のアプリケーションではSEMの解像度とコントラストが不足している。
• 既存の方法では、マイクロチップのような複雑なサンプルのOSRとSEMの間の解像度と詳細のギャップを埋めるのに苦労している。

研究 の 目的:

• OSR画像をSEM様画像に変換するための深層学習アプローチを開発すること。
• ナノスケールイメージングにおけるSEMの制限（真空およびコーティング要件）を克服すること。
• OSRとAIを使用してチップサンプルのナノスケール微細構造の視覚化を強化すること。

主な方法:

• 約80 nmの解像度と2μmの被写界深度を持つOSR画像を取得するために、カスタム走査型超レンズ顕微鏡（SSUM）システムを使用した。
• ペアになったOSR画像とSEM画像で訓練されたサイクル整合性敵対的生成ネットワーク（CycleGAN）を使用した。
• 訓練されたCycleGANモデルをシリコンウェーハサンプルのOSR画像に適用して、SEM様再構成を生成した。

主要な成果:

• SSUMシステムは、真空やコーティングなしでOSRイメージングを可能にし、多層チップ構造を可視化した。
• 深層学習アルゴリズムは、OSR画像におけるナノスケールの詳細を強化し、視認性を向上させた。
• 再構成された画像は、入力OSR画像と比較して平均ピーク信号対雑音比（PSNR）が1.64 dB増加した。
• 定性評価により、チップレベルのアプリケーションに適した、生成されたSEM様画像における高い構造詳細が確認された。

結論:

• OSRからSEM様画像への深層学習ベースの変換は、ナノスケール解像度を維持しながらSEMの主要な制限を克服する。
• この技術は、特にSEMの制約が問題となる場合の高度なチップ製造および検査のための有望な代替手段を提供する。
• SSUMと深層学習の組み合わせアプローチは、半導体分析のための強化されたナノスケールイメージング機能を提供する。