Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

שיטת על-רזולוציה מותאמת לתמונות מיקרוסקופ אלקטרונים בהעברה של פרוסות וופרים

· חזרה לאינדקס

מבט חד יותר בתוך מיקרו-מעגלים

אלקטרוניקה מודרנית תלויה במבנים זעירים שנחקקים עמוק בתוך וופרים של מוליכים למחצה, אך דימות ברור שלהם הוא איטי, יקר ודורש מיומנות טכנית רבה. המחקר הזה מראה כיצד טכניקות עיבוד תמונה מתקדמות יכולות להפוך תמונות מיקרוסקופ מטושטשות ורועשות של וופרים לתצוגות חדות וברזולוציה גבוהה, בלי צורך לצלם מחדש במכשור יקר. התוצאה היא מתכון מעשי שעשוי להאיץ זיהוי פגמים ומדידות במפעלי שבבים, תוך קיצור הזמן שמומחים מבלים במיקרוסקופים מיוחדים.

Figure 1
Figure 1.

למה חשוב לראות מתחת לפני השטח

יצרני שבבים כבר משתמשים בכמה סוגי תמונות כדי לשמור על הייצור במסלול. תמונות של פני השטח, כגון מפות וופרים ותמונות ממיקרוסקופ אלקטרונים סורק, יכולות לחשוף סוגים רבים של ליקויים, אך הן מפספסות מה קורה בתוך החומר. מיקרוסקופ אלקטרונים בהעברה (TEM) חודר עמוק יותר על ידי ירייה של אלקטרונים דרך פרוסות דקות של הוופר כדי לגלות מבנה בקנה מידה אטומי, ליקויים מוסתרים והרכב החומר. תמונות TEM ברזולוציה גבוהה אלה בעלות ערך רב, אך קשה להשיגן בכמויות גדולות כי הכנת הדגימה והדימוי משמידים את הוופר וזקוקים למפעילים מומחים ולמושבים ממושכים של סריקה.

הבעיה עם תמונות מטושטשות ורועשות

עקרונית, תוכנה חכמה יכולה להפוך תמונות TEM ברזולוציה נמוכה של וופרים לתמונות ברזולוציה גבוהה — משימה הידועה כעל-רזולוציה. בפועל, תמונות TEM של וופרים מציבות אתגרים מיוחדים. ראשית, דפוסי הרעש הם בלתי שגרתיים, נגרמים על ידי אלקטרונים מפוזרים ושדות מגנטיים לא יציבים במקום רעש מצלמה שגרתי, ולכן שיטות ניקוי מוכנות מראש פועלות בצורה גרועה. שנית, תכונות קטנות לאורך גבולות וקצוות הן בדיוק האזורים שבהם מהנדסים מחפשים פגמים או מודדים עובי שכבות, אך הקצוות הללו נוטים לטשטש כאשר הרזולוציה נמוכה. לבסוף, שיטת האימון הרגילה למודלים של על-רזולוציה — שימוש בזוגות תואמים של תמונות מטושטשות וחדות של אותה סצנה — אינה ברת-ביצוע כאן, כי יצרני שבבים בדרך כלל שומרים רק את תמונות ה‑TEM ברזולוציה גבוהה.

מתכון תלת-שלבי לתמונות טובות יותר

כדי להתגבר על המכשולים האלה, המחברים מעצבים מסגרת בת שלושה שלבים המותאמת לנתוני TEM של וופרים. בשלב הראשון, שנקרא השחתה מעשית, הם מתחילים מתמונות ברזולוציה גבוהה ומייצרים בכוונה גרסאות רבות ושונות באיכות נמוכה על ידי ערבוב סדר ועוצמה של טשטוש, דגימה מופחתת, רעש ודחיסה. גרסה עשירה במיוחד של תהליך זה, הנקראת Hybrid, יוצרת טווח רחב של עיוותים ריאליסטיים המדמים את דפוסי הרעש הבלתי ידועים הנראים במפעלים אמיתיים. בשלב השני, שיפור התמונה, הם לוקחים את התמונות המקוריות ברזולוציה גבוהה ומחדדים את הקצוות עוד יותר באמצעות שיטה הנקראת HighboostFiltering, המדגשת גבולות בעוצמה מבלי להוסיף מורכבות ניתנת לאימון. זוגות האימון הסינתטיים של תמונות ברזולוציה נמוכה ו"נוספות-חדות" ברזולוציה גבוהה יוצרים אז את נתוני האימון לשלב השלישי, שבו מודל על-רזולוציה לומד להפוך תמונות גרועות לחדות.

Figure 2
Figure 2.

מציאת השילוב הטוב ביותר

הקבוצה בודקת באופן שיטתי 48 שילובים של אסטרטגיות השחתה, שיטות שיפור וסוגי מודלים. הם משווים רשת קונבולוציה מסורתית, רשת יריבה-גנרטיבית (ESRGAN) ומודל מבוסס דיפוזיה (SR3). איכות התמונה נשפטת בעזרת מדד שמעריך כמה טבעית נראית תמונה ללא צורך בהתאמה לתמונה אמיתית. המנצח הברור הוא שלישייה שלא נחקרה קודם: השחתת Hybrid, שיפור HighboostFiltering, ומודל ESRGAN. שילוב זה מייצר תמונות שדומות ביותר לאלה שצולמו באופן ידני על ידי מומחי TEM, עם רעש חלק יותר וקצוות חדים בהרבה. לעומת זאת, מודלים מבוססי דיפוזיה מתקשים עם מערך נתונים קטן ומתמחה ולעתים מפיקים תוצאות לא יציבות או רועשות.

מתמונות יפות יותר להחלטות טובות יותר

תמונות משופרות שימושיות רק אם הן מסייעות במשימות מפעל אמיתיות. כדי לבדוק זאת, המחברים מזינים את התמונות הסופר-רזולוציה לכלי חלוקה חזק ויישומי-כלל (segmentation) כדי לבצע זיהוי אזורים דמויי פגמים וחילוץ קצוות, ללא אימון מחדש של הכלי. בהשוואה גם לקלטי ברזולוציה נמוכה גולמיים וגם לתשעה שיטות על-רזולוציה קיימות, השילוב המוצע מספק ציוני חלוקה טובים באופן בולט וקצוות חדים יותר, שני אלה מכריעים למדידת מבנים דקיקים ולזיהוי ליקויים עדינים. למרות שעדיין יש מקרים של כישלון — כגון קטעי רעש מדי פעם או ארטיפקטים מנימי רעש לא מתואר — המחקר מראה כי צינור עבודה בת שלושה שלבים שעוצב בקפידה יכול להפוך תמונות TEM ברזולוציה נמוכה של וופרים למידע הרבה יותר אינפורמטיבי. עבור הקורא הלא-מומחה, המסקנה המרכזית היא שבאמצעות יצירת נתוני אימון בתבונה והדגשת הקצוות, המחברים הופכים תמונות מיקרוסקופ מטושטשות לכלי אבחוני חד יותר, ועוזרים לתעשיית המוליכים למחצה לראות יותר בזמן שמצלמים פחות.

ציטוט: 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

מילות מפתח: על-רזולוציה, מיקרוסקופ אלקטרונים בהעברה, ייצור מוליכים למחצה, שיפור תמונה, למידה עמוקה