随着先进电子器件的特征尺寸缩小到纳米尺度，需要具有高空间分辨率的显微表征方法研究电子器件的纳米结构。原位透射电子显微镜不仅具有原子级空间分辨率，还可以从形貌、结构和成分等方面分析纳米器件在外场作用下的演变过程，具有其他表征方法无法替代的重要作用。然而，原位透射电子显微表征生成的数据量非常大，每分钟能生成几千张数据图像，同时图像通常伴随噪声和较低的称度，这些因素为数据分析带来极大的挑战。基于机器学习的图像分析方法已经广泛应用于医学影像以及自然图像分析，并取得了重大进展。近年来，科研工作者在上述工作的启发下，将基于机器学习的图像分析方法应用于透射电子显微表征数据的高效自动处理，并取得了许多重要的成果。

近日，华东师范大学通信与电子工程学院吴幸教授和王超伦副研究员指导本科生程之恒以“Review in situ transmission electron microscope with machine learning”为题撰写综述文章，介绍了透射电子显微学图像获取和处理技术的发展过程，并按照透射电子显微学常见的形貌、缺陷、结构和谱学数据结果分类，讨论并对比了多种机器学习算法在上述数据结果中的应用。在文章最后分析了机器学习在原位透射电子显微图像分析中应用所面临的挑战以及未来发展趋势。上述工作发表在Journal of Semiconductors第43卷第8期，同时本工作得到国家自然科学基金的支持。

图1. 应用人工智能算法高效处理各种TEM图像数据的示意图。FCN、CNN、UDN和U-Net等各种神经网络分析TEM样品的形貌、缺陷、结构以及谱学数据。

文章信息：

Review in situ transmission electron microscope with machine learning

Zhiheng Cheng, Chaolun Wang, Xing Wu, Junhao Chu

J. Semicond. 2022, 43(8): 081001

doi: 10.1088/1674-4926/43/8/081001

Full Text: http://www.jos.ac.cn/en/article/doi/10.1088/1674-4926/43/8/081001

来源：半导体学报微信公众号