Accelerated deep self-supervised ptycho-laminography for three-dimensional nanoscale imaging of integrated circuits

要約

タイトル：集積回路の三次元ナノスケールイメージングのための加速化された深層自己教師ありptycho-laminography

要約：
– ナノ構造物の三次元検査は、セキュリティと信頼性の保証のために重要です。
– 表面の広がった平らなサンプルの場合、ptychographicと回転撮影が必要です。回転撮影には、tomographicとlaminographicがあります。
– laminographicが3D空間周波数領域のカバレッジがよく、プロジェクションごとの減衰量がほぼ同じであるため、tomographicより好ましいです。
– 両方の技術は、獲得と計算時間が多くかかるため、時間がかかります。
– 本研究では、物理学に基づいた深層自己教師付き学習アーキテクチャを使用して、集積回路のptycho-laminographic再構築を16倍少ない角度サンプルと4.67倍高速化しました。
– 完全なスキャンと学習を使用した密なサンプリングの再構築に対する再構築品質の信頼性を確認しました。
– 教師なし学習カーネルの能力により、欠落しているコーンを埋めることができ、密なサンプリングの再構築よりも品質が向上することをすでに別の場所で報告しています[Zhou and Horstmeyer, Opt. Express, 28(9), pp. 12872-12896]。

要約(オリジナル)

Three-dimensional inspection of nanostructures such as integrated circuits is important for security and reliability assurance. Two scanning operations are required: ptychographic to recover the complex transmissivity of the specimen; and rotation of the specimen to acquire multiple projections covering the 3D spatial frequency domain. Two types of rotational scanning are possible: tomographic and laminographic. For flat, extended samples, for which the full 180 degree coverage is not possible, the latter is preferable because it provides better coverage of the 3D spatial frequency domain compared to limited-angle tomography. It is also because the amount of attenuation through the sample is approximately the same for all projections. However, both techniques are time consuming because of extensive acquisition and computation time. Here, we demonstrate the acceleration of ptycho-laminographic reconstruction of integrated circuits with 16-times fewer angular samples and 4.67-times faster computation by using a physics-regularized deep self-supervised learning architecture. We check the fidelity of our reconstruction against a densely sampled reconstruction that uses full scanning and no learning. As already reported elsewhere [Zhou and Horstmeyer, Opt. Express, 28(9), pp. 12872-12896], we observe improvement of reconstruction quality even over the densely sampled reconstruction, due to the ability of the self-supervised learning kernel to fill the missing cone.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI