Superresolutiebenadering op maat voor transmissie-elektronenmicroscopiebeelden van wafers

Helderder zicht in computerchips

Moderne elektronica is afhankelijk van piepkleine structuren die diep in halfgeleiderwafers zijn geëtst, maar deze features duidelijk in beeld brengen is traag, duur en technisch veeleisend. Deze studie laat zien hoe geavanceerde beeldverwerkingstechnieken vage, ruisrijke microscoopbeelden van wafers kunnen omzetten in scherpe, hoge-resolutie beelden, zonder ze opnieuw te hoeven opnemen met kostbare apparatuur. Het resultaat is een praktische werkwijze die defectdetectie en metingen in chipfabrieken kan versnellen en de tijd die experts aan gespecialiseerde microscopen besteden kan verminderen.

Waarom het onder de oppervlakte kijken ertoe doet

Chipfabrikanten gebruiken al meerdere soorten beelden om de productie te bewaken. Oppervlaktebeelden, zoals waferkaarten en scanning elektronenmicroscoopbeelden, kunnen veel soorten fouten onthullen, maar missen wat er in het materiaal gebeurt. Transmissie-elektronenmicroscopie (TEM) kijkt dieper door elektronen door dunne plakjes van de wafer te sturen en zo atomairschaalstructuur, verborgen defecten en materiaalsamenstelling bloot te leggen. Deze hoge-resolutie TEM-beelden zijn uitermate waardevol, maar moeilijk in grote aantallen te verkrijgen omdat het voorbereiden en afbeelden van elk monster de wafer vernietigt en deskundige operators en lange opnamesessies vereist.

Het probleem van vage en ruisige beelden

In principe zou een slim computerprogramma lage-resolutie TEM-beelden van wafers in hoge-resolutie beelden kunnen omzetten, een taak bekend als superresolutie. In de praktijk vormen wafer-TEM-beelden speciale uitdagingen. Ten eerste zijn de ruispatronen ongebruikelijk, veroorzaakt door verstrooide elektronen en onstabiele magnetische velden in plaats van gewone cameraruisk, waardoor standaard schoonmaakmethoden slecht presteren. Ten tweede zijn kleine structuren langs grenzen en randen precies waar ingenieurs naar zoeken voor defectdetectie of het meten van laagdikte, en deze randen hebben de neiging te vervagen bij lage resolutie. Ten slotte is de gebruikelijke manier om superresolutiemodellen te trainen — met perfect afgestemde paren van vage en scherpe beelden van dezelfde scène — hier niet haalbaar, omdat chipfabrikanten doorgaans alleen de hoge-resolutie TEM-beelden bewaren.

Een driefasenrecept voor betere beelden

Om deze obstakels te overwinnen, ontwerpen de auteurs een driestappenframework op maat van wafer-TEM-gegevens. In de eerste fase, praktische degradatie genoemd, beginnen ze met hoge-resolutiebeelden en genereren doelbewust veel verschillende laagkwaliteitsversies door de volgorde en sterkte van vervaging, downsampling, ruis en compressie door elkaar te husselen. Een bijzonder rijke versie van dit proces, Hybrid genoemd, creëert een breed scala aan realistische vervormingen die de onbekende ruispatronen in echte fabrieken nabootsen. In de tweede fase, beeldverbetering, nemen ze de originele hoge-resolutiebeelden en verscherpen de randen nog verder met een methode genaamd HighboostFiltering, die grenzen sterk benadrukt zonder extra trainbare complexiteit toe te voegen. Deze synthetische lage- en “extra-scherpe” hoge-resolutieparen vormen vervolgens de trainingsdata voor de derde fase, waarin een superresolutiemodel leert slechte beelden om te zetten in duidelijke beelden.

Het vinden van de beste combinatie

Het team test systematisch 48 combinaties van degradatiestrategieën, verbeteringsmethoden en modeltypes. Ze vergelijken een traditioneel convolutioneel netwerk, een generatief adversarieel netwerk (ESRGAN) en een diffusie-gebaseerd model (SR3). De beeldkwaliteit wordt beoordeeld met een maatstaf die inschat hoe natuurlijk een beeld eruitziet zonder een grondwaarheidsreferentie nodig te hebben. De duidelijke winnaar is een eerder niet onderzochte trio: Hybrid-degradatie, HighboostFiltering-verbetering en het ESRGAN-model. Deze combinatie produceert beelden die het meest lijken op die handmatig door TEM-experts zijn vastgelegd, met gladder ogende ruis en veel scherpere randen. Diffusie-gebaseerde modellen hebben daarentegen moeite met de kleine, gespecialiseerde dataset en leveren vaak onstabiele of ruisige resultaten.

Van fraaiere plaatjes naar betere beslissingen

Verbeterde beelden zijn alleen nuttig als ze helpen bij echte fabrieks taken. Om dit te testen voeren de auteurs de superresolutiebeelden in een krachtig algemeen segmentatiehulpmiddel om defectachtige regiendetectie en randextractie uit te voeren, zonder dat dat hulpmiddel opnieuw wordt getraind. Vergeleken met zowel ruwe lage-resolutie-inputs als negen bestaande superresolutiemethoden levert de voorgestelde combinatie merkbaar betere segmentatiescores en scherpere randen, die beide cruciaal zijn voor het meten van fijne structuren en het opsporen van subtiele gebreken. Hoewel enkele faalgevallen blijven bestaan — zoals incidentele ruisvlekken of artefacten door niet-gemodelleerde ruis — toont de studie aan dat een zorgvuldig ontworpen driestappenpipeline lage-resolutie wafer-TEM-beelden veel informatiever kan maken. Voor een niet-specialist is de belangrijkste conclusie dat door het slim synthetisch samenstellen van trainingsdata en het benadrukken van randen, de auteurs bestaande vage microscoopbeelden omzetten in scherpere diagnostische hulpmiddelen, waardoor de halfgeleiderindustrie meer kan zien terwijl er minder gevisualiseerd hoeft te worden.

Bronvermelding: 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

Trefwoorden: super-resolutie, transmissie-elektronenmicroscopie, halfgeleiderproductie, beeldverbetering, deep learning