Brookhaven National Laboratory automatisierte Röntgenexperimente zeigen neue Technologie zur 3D-Bildgebung von Mikrochips

·von Henderson·Engineering
Brookhaven National Laboratory automatisierte Röntgenexperimente zeigen neue Technologie zur 3D-Bildgebung von Mikrochips
Wichtige Punkte
  • Die Röntgenexperimente des Brookhaven National Laboratory haben mit der Automatisierung begonnen, die Datenmenge beträgt nur ein Zehntel der üblichen Menge.
  • Automatisierte Experimente können mehrere Stunden ohne menschliches Eingreifen betrieben werden und konzentrieren sich auf wissenschaftlich relevante Positionen.
  • Das Team arbeitet mit NVIDIA zusammen, um Bilder in Echtzeit zu rekonstruieren, mit einer Geschwindigkeit von bis zu 200 Bildern pro Sekunde.
  • Diese Technologie kann helfen, schnelle, hochauflösende Röntgenbildgebung zu ermöglichen, die in der Mikroelektronik und der Nanomaterialforschung Anwendung findet.

Die Röntgenexperimente des Brookhaven National Laboratory haben mit der Automatisierung begonnen. Maschinelles Lernen wählt die Bereiche der Proben aus, die einer detaillierten Untersuchung bedürfen, und rekonstruiert 3D-Bilder mit dem Eintreffen der Daten. In einem Test betrug die benötigte Datenmenge nur ein Zehntel der üblichen Menge. Diese Demonstrationen fanden an der National Synchrotron Light Source II (NSLS-II) des US-Energieministeriums im Rahmen des SYNAPS-I-Projekts statt, das sich mit der synergistischen Neutronen- und Photonenwissenschaft – Intelligent beschäftigt. Dieses Projekt ist ein Seed-Projekt unter dem Genesis-Mandat des Energieministeriums, das von den Advanced Light Source des Lawrence Berkeley National Laboratory geleitet wird und in Zusammenarbeit mit dem Argentinischen National Laboratory, dem Oak Ridge National Laboratory, SLAC und Brookhaven durchgeführt wird.

Das Kooperationsprojekt kombiniert Open-Source-Modelle, Industriepartnerschaften und fortschrittliche Rechenressourcen.

Vorteile automatisierter Experimente

Im harten Röntgen-Nanoprobenmikroskop von NSLS-II, einem Mikroskop für 2D- und 3D-nanometergroße Bildgebung, führte ein Team unter der Leitung des leitenden Strahlwissenschaftlers Yan Hanfei ein automatisiertes Experiment durch, um die erfassten Bilder zu analysieren. Das System markierte wissenschaftlich interessante Bereiche in komplexen Proben und wählte diese Positionen für nachfolgende hochauflösende Scans aus, ohne menschliches Eingreifen. „Dies ermöglicht es automatisierten Experimenten, mehrere Stunden zu laufen, größere Bereiche zu untersuchen und hochauflösende Daten nur von wissenschaftlich relevanten Positionen zu sammeln“, erklärte Daniel Allen, Leiter der Dateningenieurgruppe von NSLS-II.

Er wies darauf hin, dass traditionelle Methoden dies nicht zuverlässig erreichen können.

Anwendungen der Echtzeit-Rekonstruktionstechnologie

Der zweite Test konzentrierte sich auf die Phasendiffraktionsbildgebung, eine Berechnungstechnik, die detaillierte 3D-Bilder durch mehrere Einzelmessungen erstellt und Mikrochips als Proben verwendet. Ein Basis-Modell, das am Argentinischen National Laboratory trainiert wurde, ersetzte den normalerweise langsamen iterativen Prozess zur Rekonstruktion von Bildern. Das Team arbeitete mit NVIDIA und dessen Holoscan-Plattform zusammen, um Bilder in Echtzeit zu rekonstruieren, mit einer Geschwindigkeit von bis zu 200 Bildern pro Sekunde. Ein Modell, das von NSLS-II entwickelt und trainiert wurde, konnte Mikrochips nur mit einem Zehntel der normalerweise benötigten Daten rekonstruieren, was bei der Verarbeitung dünner und flacher Proben hilfreich ist, da vollständige Tomographiedatensätze schwer zu erfassen sind.

Anschließend passte das Team die offenen Gewichte des Segment Anything Model 3 von Meta an, um automatisch Bereiche von Interesse in Materialien, Strukturen und 3D-Volumen zu identifizieren. Diese Schritte können die Scanzeit und die Strahlendosis verkürzen und gleichzeitig die Interpretationsgeschwindigkeit erhöhen.

Yan Hanfei erklärte, dass diese Technologie in jedem Bereich helfen kann, der schnelle, hochauflösende Röntgen-Tomografie und schnelle 3D-Datenanalysen benötigt. Beispiele sind die Suche nach verborgenen Strukturen und Defekten in der Mikroelektronik, die Untersuchung der Degradation von Batterieelektroden und die Charakterisierung komplexer Nanomaterialien. Er betonte, dass diese Werkzeuge den Nutzern auch helfen, die begrenzte Strahlzeit besser zu nutzen.

Zukünftige Entwicklungsrichtungen

Das Team plant, robustere Basis-Modelle auf vielfältigeren Datensätzen zu trainieren und diesen Ansatz auf andere 3D-Bildgebungstechniken auszuweiten. Das Hauptziel ist die Echtzeit-Tomografie. Derzeit sammeln Forscher normalerweise das gesamte Projektdatenset vor der Rekonstruktion. In einem Echtzeit-Workflow wird die Rekonstruktion zu Beginn des Experiments gestartet, und mit dem Eintreffen weiterer Messdaten werden die Bilder mit niedriger Auflösung kontinuierlich klarer. In Kombination mit automatisierter Merkmalsdetektion wird dies es dem Strahl ermöglichen, sich basierend auf seinen Beobachtungen selbst anzupassen. Sean McSweeney, stellvertretender Direktor der strategischen Abteilung von NSLS-II, erklärte, dass solche Workflows das Herzstück der nächsten Generation von Nutzeranlagen sein werden.

Alexander Heckmayer, Kontaktperson des SYNAPS-I-Projekts, erklärte, dass alle Einrichtungen vor denselben Herausforderungen stehen, einschließlich der Datenmenge, die die Geschwindigkeit der menschlichen Analyse und die Rekonstruktionsengpässe übersteigt, und dass keine Einrichtung diese Probleme allein lösen kann. Mit der Reifung dieser Technologien besteht das Ziel nicht nur darin, experimentelle Daten schneller zu verarbeiten, sondern auch die Verbindung zwischen Messungen, Analysen und wissenschaftlichen Entscheidungen zu stärken, sodass Experimente in der Lage sind, auf ihre Entdeckungen während des Ablaufs zu reagieren.

Das Potenzial automatisierter Röntgenbildgebungstechnologien

Die automatisierten Röntgenexperimente des Brookhaven National Laboratory markieren einen wichtigen Fortschritt in der wissenschaftlichen Forschung. Diese Technologie kann nicht nur die benötigte Datenmenge erheblich reduzieren, sondern auch die Effizienz der Bildgebung steigern, was insbesondere für die Forschung in der Mikroelektronik und den Nanomaterialien von Bedeutung ist. Mit der Reifung der Technologie sind Forscher in der Lage, Daten schneller zu erfassen und zu analysieren, was eine sofortige Reaktion auf wissenschaftliche Entscheidungen fördern wird. Darüber hinaus könnte die Entwicklung dieses automatisierten Prozesses zum Kern zukünftiger Nutzeranlagen werden und eine stärkere Unterstützung für verschiedene wissenschaftliche Forschungen bieten.

H
Über den Autor
Henderson