[논문 리뷰] Autonomous Scanning Probe Microscopy in-situ Tip Conditioning through Machine Learning

Mohammad Rashidi, Robert A. Wolkow|PubMed|2018. 03. 19.

Force Microscopy Techniques and Applications인용 수 7

한 줄 요약

이 논문은 산란 결합을 이용한 이미징을 통해 피크 품질을 평가하는 컨volutional 신경망(CNN)을 사용하여 현장에서 스캐닝 프로브 현미경(SPM) 피크를 자동으로 감지하고 조절하는 기계학습 기반 시스템을 제시한다. 이 방법은 열악한 피크를 식별하는 데 99% 이상의 정확도를 달성하며, 날카운 피크로 복원될 때까지 현장에서 자동으로 조절을 수행하여 수동 간섭 없이 신뢰할 수 있는 원자 크기의 제조를 가능하게 한다.

ABSTRACT

Atomic-scale characterization and manipulation with scanning probe microscopy rely upon the use of an atomically sharp probe. Here we present automated methods based on machine learning to automatically detect and recondition the quality of the probe of a scanning tunneling microscope. As a model system, we employ these techniques on the technologically relevant hydrogen-terminated silicon surface, training the network to recognize abnormalities in the appearance of surface dangling bonds. Of the machine learning methods tested, a convolutional neural network yielded the greatest accuracy, achieving a positive identification of degraded tips in 97% of the test cases. By using multiple points of comparison and majority voting, the accuracy of the method is improved beyond 99%.

연구 동기 및 목표

• 스캐닝 프로브 현미경에서 현장에서의 피크 조절을 자동화하여 수동 간섭을 제거하고 원자 크기 실험의 신뢰성을 향상시키기.
• STM 이미징을 통해 표면의 산란 결합을 분석함으로써 피크 열악성 감지를 위한 기계학습 프레임워크 개발.
• 기존 자율 원자 제조 워크플로우에 자동 피크 품질 평가 및 조절 기능 통합.
• 이를 다른 물질 체계와 나노스케일 이미징 기법으로 일반화하기.

제안 방법

• 고정된 실리콘 산란 결합의 28×28 픽셀 STM 이미지 3,500장을 수작업으로 레이블링한 데이터셋을 기반으로 CNN을 학습.
• 각 이미지를 회전 및 반사하여 데이터셋 크기를 8배 증가시켜 모델의 일반화 능력을 향상.
• 운영 중 실시간 STM 이미지에서 고립된 산란 결합의 외관을 분석함으로써 CNN이 피크 품질을 평가.
• CNN이 이중 피크(열악한 품질)를 감지하면, 사전 설정된 표면 위치에서 제어된 인덴테이션을 통해 현장에서 피크 조절을 트리거.
• 여러 개의 산란 결합 이미지 간 비교 및 다수결정을 통해 분류 정확도를 99% 이상으로 향상.
• 자동화 루틴은 Python과 LabVIEW를 사용하여 Nanonis SPM 컨트롤러 인터페이스에 통합되어 전체 SPM 제조 파이프라인에 통합됨.

실험 결과

연구 질문

• RQ1 기계학습 모델이 표면 결함의 STM 이미징을 기반으로 열악한 스캐닝 프로브 현미경 피크를 정확하게 감지할 수 있는가?
• RQ2 여러 이미지 샘플에 걸친 다수결정은 피크 품질 분류의 신뢰성을 어떻게 향상시키는가?
• RQ3 자동화된 현장에서의 피크 조절이 인간 감독 없이 원자 크기의 날카움을 복원할 수 있는가?
• RQ4 이 프레임워크는 다른 물질과 나노스케일 이미징 기법으로 얼마나 일반화될 수 있는가?

주요 결과

• 컨volutional 신경망은 실리콘 산란 결합의 STM 이미지에서 열악한 피크를 식별하는 데 정밀도 97%를 달성했다.
• 여러 이미지에 걸친 다수결정을 적용함으로써 시스템은 피크 품질 분류 정확도를 99% 이상으로 향상시켰다.
• 자동화된 루틴은 원자 제조 후 이중 피크를 성공적으로 감지했으며, 세 번의 조절 사이클을 거쳐 피크 날카움을 복원했으며, 이후 STM 이미징으로 확인되었다.
• 이 방법은 자율 원자 와이어 제조 과정에 성공적으로 통합되어 패턴 조절 시퀀스 全 과정에서 높은 이미지 품질과 낮은 오류율을 유지했다.
• 프레임워크는 4.5 K에서 초고진공 조건에서 작동하는 실제 SPM 시스템에서 강력한 성능을 보였으며, 전기화학적으로 에칭된 wolfram 피크를 사용했다.
• 이 방법은 다른 물질 체계와 나노스케일 이미징 기법으로 일반화 가능하며, 반도체 제조에서의 크리티컬 디멘션 분석을 포함한다.