[논문 리뷰] Near-real-time diagnosis of electron optical phase aberrations in scanning transmission electron microscopy using an artificial neural network

Giovanni Bertoni, Enzo Rotunno외 5명|arXiv (Cornell University)|2022. 06. 13.

Electron and X-Ray Spectroscopy Techniques인용 수 4

한 줄 요약

이 논문은 단일 Ronchigram 이미지를 사용하여 스캐닝 투과 전자현미경(STEM)에서 전자광학적 위상 비수율을 거의 실시간으로 진단할 수 있는 인공신경망(ANN)을 제시한다. 분산도의 푸리에 변환으로 유도된 합성 Ronchigram을 기반으로 훈련시킨 ANN은 8개의 주요 비수율 계수를 평균 절대 오차가 그들의 동적 범위의 5% 이내로 정확하게 예측하며, MEMS 기반 광학 장치와 같은 실시간 응용 분야에서 비수율 보정을 위한 빠른 피드백을 가능하게 한다.

ABSTRACT

The key to optimizing spatial resolution in a state-of-the-art scanning transmission electron microscope is the ability to precisely measure and correct for electron optical aberrations of the probe-forming lenses. Several diagnostic methods for aberration measurement and correction with maximum precision and accuracy have been proposed, albeit often at the cost of relatively long acquisition times. Here, we illustrate how artificial intelligence can be used to provide near-realtime diagnosis of aberrations from individual Ronchigrams. The demonstrated speed of aberration measurement is important as microscope conditions can change rapidly, as well as for the operation of MEMS-based hardware correction elements that have less intrinsic stability than conventional electromagnetic lenses.

연구 동기 및 목표

• 기존 방법의 느린 촬영 시간 문제를 해결하기 위해 STEM에서 전자광학적 위상 비수율을 신속하고 자동으로 진단할 수 있는 방법을 개발하는 것.
• 특히 불안정한 MEMS 기반 광학 장치에 특히 중요한 실시간 피드백을 통한 비수율 보정을 가능하게 하는 것.
• 다중 기울기 또는 반분석적 피팅에 의존하지 않고, 단일 Ronchigram에서 직접 정밀한 비수율 파rameter를 추출하기 위해 인공지능을 활용하는 것.
• 상용 비수율 보정기에서 사용되는 전통적인 Zemlin 표진법과의 비교를 통해 ANN의 성능을 검증하는 것.

제안 방법

• 전자 산란의 물리적 모델을 기반으로 한 단위 물체를 통과하는 전자 빔의 Zernike 다항식 기반 비수율 항을 포함한 합성 Ronchigram을 생성한다.
• Ronchigram을 5×5 타일로 분할하고, 각 타일의 푸리에 변환(FFT)을 계산하여 局소 衍射 패턴을 추출한다.
• 2D 합성곱층, 풀링층, 드롭아웃층, 완전 연결층을 포함한 4개의 블록으로 구성된 인공신경망(ANN) 아키텍처를 설계하여 25개의 FFT 패턴을 해당 비수율 계수로 매핑하도록 훈련한다.
• 결함, 구형 비수율, 산란, 콤비 등 정의된 범위 내에서 무작위로 생성된 비수율 값을 가진 100,000개의 합성 데이터셋을 사용해 네트워크를 훈련시킨다.
• 훈련된 모델은 8개의 주요 비수율에 대한 계수 (𝐶𝑛,𝑚,𝑎, 𝐶𝑛,𝑚,𝑏)를 출력하며, 삼각함수 관계를 사용하여 표준 Zernike 형태로 변환한다.
• 훈련된 모델은 CTEM에서 확보한 실험적 Ronchigram을 사용하여 검증되며, 현미경의 Zemlin 표진법 기반 보정 소프트웨어로부터 확보한 값과 예측값을 비교한다.

실험 결과

연구 질문

• RQ1 딥 신경망은 높은 정밀도와 빠른 속도로 단일 Ronchigram에서 전자광학적 위상 비수율을 정확하게 추론할 수 있는가?
• RQ2 기존의 Zemlin 표진법 기반 방법과 비교했을 때 ANN의 정확도 및 오차 범위는 어떻게 되는가?
• RQ3 ANN은 3중성 산란 및 콤비와 같은 고차항을 포함한 다양한 비수율 유형으로 일반화할 수 있는가?
• RQ4 모든 비수율 계수의 부호를 신뢰성 있게 탐지할 수 있는가? 이는 실시간 보정 시스템에서 필수적이다.
• RQ5 실제 STEM 환경에서 동적 비수율 진단을 위한 ANN의 실시간 성능은 어느 정도 달성 가능한가?

주요 결과

• 결함(C1,0)의 경우 평균 절대 오차(MAE)가 15 nm로, 첫 번째 衍사 최소값이 결함에 매우 민감하기 때문에 상대 오차 0.8%를 기록하였다.
• 구형 비수율(C3,0)의 경우 MAE는 3.49 µm로 상대 오차 3.5%를 기록하여 중요한 비수율 항에서 높은 정밀도를 입증하였다.
• 2중성 산란(A1)의 경우 MAE가 각각 4.7 nm와 4.8 nm로 상대 오차는 4.8%와 4.9%였으며, 저차수 산란에 대해 뛰어난 성능을 보였다.
• 콤비(B2)의 경우 MAE는 49 nm(4.9% 오차), 3중성 산란(A2)의 경우 37 nm(3.7% 오차)였으며, 고차수 비수율에서도 일관된 성능을 보였다.
• 모든 테스트 케이스에서 ANN은 모든 비수율의 부호를 정확히 판단하였으며, 이는 실시간 시스템에서 효과적인 보정을 위해 필수적이다.
• 실험적 검증 결과 ANN 예측값과 Zemlin 표진법 측정값 간에 강한 일치가 있었으며, 모든 비수율 유형에서 R² > 0.95를 기록하여 강건성과 신뢰성을 확인하였다.