[논문 리뷰] SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis

Jing Jie Tan, Rupert Schreiner외 9명|arXiv (Cornell University)|2026. 01. 21.

Machine Learning in Materials Science인용 수 0

한 줄 요약

SiMiC는 SEM 이미지에서 실리콘 미세구조 특징을 추출하기 위한 주의가 적용된 CNN 기반 프레임워크를 제시하며, 필드 방출 팁의 다중 매개변수 예측(너비, 높이, 반지름)을 달성하고, 주의 메커니즘, 증강 및 백본 선택의 개선을 보여준다.

ABSTRACT

Accurate characterization of silicon microstructures is essential for advancing microscale fabrication, quality control, and device performance. Traditional analysis using Scanning Electron Microscopy (SEM) often requires labor-intensive, manual evaluation of feature geometry, limiting throughput and reproducibility. In this study, we propose SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis. By leveraging deep learning, our approach efficiently extracts morphological features-such as size, shape, and apex curvature-from SEM images, significantly reducing human intervention while improving measurement consistency. A specialized dataset of silicon-based field-emitter tips was developed, and a customized CNN architecture incorporating attention mechanisms was trained for multi-class microstructure classification and dimensional prediction. Comparative analysis with classical image processing techniques demonstrates that SiMiC achieves high accuracy while maintaining interpretability. The proposed framework establishes a foundation for data-driven microstructure analysis directly linked to field-emission performance, opening avenues for correlating emitter geometry with emission behavior and guiding the design of optimized cold-cathode and SEM electron sources. The related dataset and algorithm repository that could serve as a baseline in this area can be found at https://research.jingjietan.com/?q=SIMIC

연구 동기 및 목표

• 고속의 객관적 실리콘 미세구조 특성화가 필드-방출 팁 설계를 지원하도록 동기를 부여한다.
• ML 기반 분석을 위한 SEM으로 촬영된 실리콘 기반 필드전자 방출 팁 데이터셋을 개발한다.
• CNN 백본, 선택적 구조 모듈 및 주의 메커니즘을 통합하여 기하 파라미터를 예측하는 SiMiC 아키텍처를 제안한다.
• 정확성과 해석 가능성을 위해 백본 옵션(ResNet, EfficientNet, MobileNet) 및 주의 메커니즘을 평가한다.
• 데이터 증강 및 명시적 너비/높이 입력이 반지름 예측 및 전반적 성능을 개선하는지 입증한다.

제안 방법

• SEM 이미지를 처리하여 팁 기하학(너비, 높이, 반지름)을 예측하는 CNN 백본.
• 선택적 구조 모듈이 기준 차원을 제공하며; 임베딩 층이 너비/높이를 주의 흐름에 투영한다.
• 두 가지 주의 메커니즘을 탐구한다: Bahdanau 스타일의 가법 주의와 다중-헤드 주의(MHA).
• CoordConv 기반의 구조 강화와 학습 가능한 프로젝션이 객체 기하를 임베드해 주의 집중을 안내한다.
• Huber 손실을 사용하여Robustness와 매끄러운 최적화를 균형 있게 학습한다.
• 증강 여부에 따라 백본(ResNet, EfficientNet, MobileNet)을 광범위하게 평가하여 성능을 파악한다.

실험 결과

연구 질문

• RQ1 SEM 이미지로부터 Si 팁 기하 매개변수(너비, 높이, 반지름)를 신뢰성 있게 추론하는 CNN 및 주의로 가능한가?
• RQ2 어떤 백본 아키텍처와 주의 메커니즘이 미세구조 매개변수에 대한 최상의 예측 정확도를 제공하는가?
• RQ3 데이터 증강과 명시적 기하 입력(너비/높이)이 반지름 예측 및 전체 모델 성능에 어떤 영향을 미치는가?
• RQ4 CoordConv를 포함한 구조 모듈이 특징 정렬 및 예측 해석 가능성을 향상시키는가?

주요 결과

접근 방식	RMSE 너비	RMSE 높이	RMSE 반지름 (전체)	RMSE 반지름 (부분)	R2 너비 (전체)	R2 높이 (전체)	R2 반지름 (전체)	R2 반지름 (부분)
ResNet	1.1947	1.2817	0.0443	0.0225	0.2147	0.2131	0.2227	0.2623
EfficientNet	1.2982	1.3182	0.0942	0.0313	0.2033	0.2189	0.2293	0.2895
MobileNet	1.2712	1.3276	0.0574	0.0274	0.2113	0.2221	0.2231	0.2934
Additive Attention + ResNet	1.1892	1.2801	0.0421	0.0221	0.2138	0.2112	0.2234	0.2908
Multihead Attention + ResNet	1.0097	1.2484	0.0395	0.0192	0.2259	0.2228	0.2268	0.2887
Augmentation + Multihead Attention + ResNet	0.9312	1.1158	0.0319	0.0117	0.2295	0.2330	0.2362	0.3098

• ResNet 백본이 모든 예측 변수에서 RMSE에서 EfficientNet 및 MobileNet보다 우수했다.
• 다중 헤드 주의가 가법 주의 및 비주의 기반 대비 성능을 향상시켰다.
• 데이터 증강이 구성을 가로질러 RMSE를 크게 감소시키고 R2를 증가시켰다.
• 너비와 높이를 입력 특징으로 제공하면 반지름 RMSE가 급격히 감소했다(한 예측에서 반으로), 예: ResNet으로 0.0443에서 0.0225로.
• 증강된 다중 헤드 주의와 ResNet이 최상의 반지름 RMSE(전체 0.0319, 부분 0.0117) 및 부분 예측에서 가장 높은 R2(0.3098)을 달성했다.
• 주의 맵은 모델이 객체 윤곽선과 맥락 영역에 집중할 수 있음을 보여주며 기하학적 신호가 반지름 추정에 도움을 준다.