Superauflösungsansatz zugeschnitten auf Rastertransmissionselektronenmikroskopie-Bilder von Wafern

Scharfere Einblicke in Computerchips

Moderne Elektronik beruht auf winzigen Strukturen, die tief in Halbleiterwafern eingebracht sind, doch diese Merkmale klar abzubilden ist langsam, teuer und technisch anspruchsvoll. Diese Studie zeigt, wie fortgeschrittene Bildverarbeitungsmethoden unscharfe, verrauschte Mikroskopaufnahmen von Wafern in klare, hochauflösende Ansichten verwandeln können, ohne die Proben auf teure Geräte erneut aufnehmen zu müssen. Das Ergebnis ist ein praxisnahes Vorgehen, das die Fehlererkennung und Messungen in Fabriken beschleunigen und gleichzeitig die Zeit reduzieren könnte, die Expertinnen und Experten an spezialisierten Mikroskopen verbringen.

Warum das Innere wichtig zu sehen ist

Chip-Hersteller verwenden bereits verschiedene Bildtypen, um die Produktion zu überwachen. Oberflächenaufnahmen, wie Wafer‑Maps und Rasterelektronenmikroskop‑Bilder, zeigen viele Fehlerarten, erfassen aber nicht, was im Inneren des Materials passiert. Die Transmissionselektronenmikroskopie (TEM) blickt tiefer, indem Elektronen durch dünne Querschnitte des Wafers geschossen werden, um atomare Strukturen, versteckte Defekte und Materialzusammensetzung sichtbar zu machen. Diese hochauflösenden TEM‑Bilder sind äußerst wertvoll, aber schwer in großer Zahl zu erzeugen, da die Probenvorbereitung und Abbildung den Wafer zerstört und Experten und lange Aufnahmezeiten erfordert.

Das Problem unscharfer und verrauschter Bilder

Prinzipiell könnte ein cleveres Computerprogramm niedriger aufgelöste Wafer‑TEM‑Bilder in hochauflösende Bilder verwandeln – eine Aufgabe, die als Superauflösung bekannt ist. In der Praxis stellen Wafer‑TEM‑Aufnahmen jedoch besondere Herausforderungen dar. Erstens sind die Rauschmuster ungewöhnlich, verursacht durch gestreute Elektronen und instabile Magnetfelder statt durch gewöhnliches Kamerarauschen, sodass Standard‑Reinigungsmethoden schlecht funktionieren. Zweitens treten kleine Merkmale an Kanten und Begrenzungen genau dort auf, wo Ingenieure nach Defekten suchen oder Schichtdicken messen, doch diese Kanten verblassen bei niedriger Auflösung. Schließlich ist die übliche Trainingsmethode für Superauflösungsmodelle – perfekt passende Paare aus unscharfen und scharfen Bildern derselben Szene – hier nicht praktikabel, weil Hersteller in der Regel nur die hochauflösenden TEM‑Bilder archivieren.

Ein dreistufiges Rezept für bessere Bilder

Um diese Hindernisse zu überwinden, entwerfen die Autorinnen und Autoren ein dreistufiges Framework, das auf Wafer‑TEM‑Daten zugeschnitten ist. In der ersten Stufe, genannt praktische Degradation, gehen sie von hochauflösenden Bildern aus und erzeugen absichtlich viele verschiedene niedrigqualitative Versionen, indem sie die Reihenfolge und Stärke von Unschärfe, Herunterskalierung, Rauschen und Kompression variieren. Eine besonders reichhaltige Variante dieses Prozesses, Hybrid genannt, schafft eine breite Palette realistischer Verzerrungen, die die unbekannten Rauschmuster aus realen Fabriken nachahmen. In der zweiten Stufe, Bildverbesserung, nehmen sie die ursprünglichen hochauflösenden Bilder und verstärken die Kanten zu noch schärferen Konturen mithilfe einer Methode namens HighboostFiltering, die Begrenzungen stark hervorhebt, ohne zusätzliche lernbare Komplexität einzuführen. Diese synthetischen Paare aus niedrigaufgelösten und „extra‑scharfen“ hochauflösenden Bildern bilden dann die Trainingsdaten für die dritte Stufe, in der ein Superauflösungsmodell lernt, aus schlechten Bildern klare zu machen.

Die beste Kombination finden

Das Team testet systematisch 48 Kombinationen aus Degradationsstrategien, Verbesserungsmethoden und Modelltypen. Sie vergleichen ein traditionelles Faltungsnetzwerk, ein generatives Gegenmodell (ESRGAN) und ein auf Diffusion basierendes Modell (SR3). Die Bildqualität wird mit einer Metrik bewertet, die abschätzt, wie natürlich ein Bild wirkt, ohne eine Referenz in hoher Auflösung zu benötigen. Klarer Sieger ist ein zuvor wenig untersuchtes Trio: Hybrid‑Degradation, HighboostFiltering‑Verbesserung und das ESRGAN‑Modell. Diese Kombination erzeugt Bilder, die denen ähneln, die TEM‑Expertinnen und -Experten manuell aufnehmen, mit glatterem Rauschen und deutlich schärferen Kanten. Dagegen haben Diffusionsmodelle auf dem kleinen, spezialisierten Datensatz Schwierigkeiten und liefern oft instabile oder verrauschte Ergebnisse.

Von schöneren Bildern zu besseren Entscheidungen

Verbesserte Bilder sind nur nützlich, wenn sie echte Fabriksaufgaben unterstützen. Um das zu prüfen, füttern die Autorinnen und Autoren die superaufgelösten Bilder in ein leistungsfähiges, allgemein einsetzbares Segmentierungswerkzeug zur Erkennung defektartiger Regionen und Kantenauszüge, ohne dieses Werkzeug neu zu trainieren. Im Vergleich zu den rohen niedrigaufgelösten Eingaben und neun bestehenden Superauflösungsmethoden liefert die vorgeschlagene Kombination deutlich bessere Segmentierungsergebnisse und schärfere Kanten — beides entscheidend für die Messung feiner Strukturen und das Erkennen subtiler Fehler. Obwohl einige Fehlerfälle bestehen bleiben, etwa gelegentliche verrauschte Stellen oder Artefakte durch nicht modelliertes Rauschen, demonstriert die Studie, dass eine sorgfältig gestaltete Dreiphasen‑Pipeline niedrigaufgelöste Wafer‑TEM‑Bilder weitaus aussagekräftiger machen kann. Für Nicht‑Spezialisten lautet die Kernbotschaft: Durch geschicktes Erzeugen von Trainingsdaten und Betonung der Kanten verwandeln die Autorinnen und Autoren bestehende unscharfe Mikroskopaufnahmen in schärfere Diagnosewerkzeuge, die der Halbleiterindustrie helfen, mehr zu sehen und weniger zu messen.

Zitation: Kim, S., Baek, I., Cho, H. et al. Super-resolution approach tailored for wafer transmission electron microscopy images. Sci Rep 16, 10662 (2026). https://doi.org/10.1038/s41598-026-45776-8

Schlüsselwörter: Superauflösung, Transmissionselektronenmikroskopie, Halbleiterfertigung, Bildverbesserung, Deep Learning