Logo der Physikalisch-Technischen Bundesanstalt

Maschinelles Lernen zur Rekonstruktion von Periodischen Nanostrukturen

26.08.2021

Die Charakterisierung von nanostrukturierten Oberflächen mit einer Empfindlichkeit im sub-nm-Bereich ist von großer Bedeutung für die Entwicklung der nächsten Generation integrierter elektronischer Schaltungen. In der PTB wurden in den letzten Jahren verschiedene Röntgentechniken weiterentwickelt, so auch die Methode der Röntgenfluoreszenz unter streifenden Einfall (GIXRF). Bei dieser Technik bildet sich ein stehendes Wellenfeld um die Nanostrukturen, wobei die emittierte Röntgenfluoreszenz räumlich und energetisch unter verschiedenen Einfallswinkeln analysiert wird. Die daraus mögliche Rekonstruktion der Nanostruktur erforderte aber bisher einen enormen numerischen Aufwand durch die notwendigen Optimierungsprozesse. Eine Analyse von Unsicherheiten auf Grundlage von modernen statistischen Methoden war damit bisher nicht möglich. Der Einsatz von maschinellem Lernen („machine learning“) eröffnet aber auch im Bereich der Nanometrologie ganz neue Ansätze: So konnte jetzt zum ersten Mal eine Si3N4 Gitterstruktur mit hoher Präzision elementsensitiv durch GIXRF Techniken rekonstruiert werden. Dabei wurde eine sogenannte Bayessche Optimierung eingesetzt, die nicht nur den Optimierungsprozess durch intelligente Suchstrategien erheblich beschleunigt. Sie erlaubt gleichzeitig auch erste Abschätzungen der möglichen Unsicherheiten, die bei den Parametrisierungen der Nanostrukturen und den zugrundeliegenden vereinfachten physikalischen Modellen auftreten.  

Publikation:

A. Andrle et al., Nanomaterials 2021, 11(7), 1647 https://doi.org/10.3390/nano11071647

Ansprechpartner:

A. Andrle, 7.14, E-Mail: Opens local program for sending emailAnna.Andrle(at)ptb.de