CN102253066A - Sem成像方法 - Google Patents

Abstract

本发明涉及SEM成像方法。一种使用扫描电镜法研究样品的方法，包含以下步骤：－在多个（N个）测量会话中使用探测电子束照射样品的表面（S），每个测量会话具有相关联的束参数（P）值，该束参数值选自于一系列这样的值且在测量会话之间不同；－在每个测量会话期间检测样品发射的激励辐射，将被测对象（M）与其关联且记录用于每次测量会话的该被测对象的值，因而允许数据对（P_i,M_i）的数据集（D）的汇编，其中1≤i≤N，其中：－采用统计盲源分离技术来自动处理数据集（D）且空间地将其分解为成像对(Q_k,L_k)的结果集（R），其中具有值Q_k的成像量（Q）与参考表面S的离散深度水平L_k相关。

Description

SEM成像方法

技术领域

本发明涉及一种使用扫描电镜法（SEM）研究样品的方法，包含以下步骤：

－在多个（N个）测量会话（measurement session）中使用探测电子束照射样品的表面（S），每个测量会话具有相关联的束参数（P）值，该束参数值选自于一系列这样的值且在测量会话之间不同；

－在每个测量会话期间检测样品发射的激励辐射，将被测对象（M）与其关联且记录用于每次测量会话的该被测对象的值，因而允许数据对（P_i, M_i）的数据集（D）的汇编，其中1 ≤ i ≤ N。

背景技术

开篇段落中提及的方法从美国专利US 5,412,210获知，且其利用这种洞察：改变SEM中的一次束能量导致被研究样品内的更深穿透。原则上，这种方法可以用于产生样品中感兴趣区域的三维（3D）断层照片。迄今为止，采用该方法的尝试涉及：使用不断增加的一次束能量采集两个或更多图像，调节图像之间的对比度，以及然后从较高能量图像减去较低能量图像以揭示样品中的掩埋层。

这种已知方法的缺点在于，所述图像间对比度调节（其是关键步骤）仅可以使用关于样品的组成和几何形状的知识来执行。因此，该技术的先验应用倾向于将其自身限制为晶片缺陷检查和其他半导体应用，其中一般存在样品的（缺省）组成和几何形状的良好先验知识。因为对于生物样品而言，所需的组成和几何形状信息典型地不可用，该已知技术还未成功应用于生命科学中的研究。

发明内容

本发明的目的是解决上面提及的问题。更具体而言，本发明的目的是提供一种SEM成像方法，其将其本身引导至使用包含未知组成/几何形状的样品的应用。具体而言，本发明的目的是，这种方法应允许测量的SEM数据的自动去卷积和深度分辨成像的自动产生。

这些和其他目的在开篇段落中提及的基于SEM的方法中获得，其特征在于，采用统计盲源分离技术来自动处理数据集（D）且空间地将其分解为成像对(Q_k, L_k)的结果集（R），其中具有值Q_k的成像量（Q）与参考表面S的离散深度水平（level）L_k相关。

在产生本发明的研究中，发明人意识到，对于具有未知结构（例如，诸如在生物应用中遇到的结构）的复杂样品，一般不能通过用户输入执行现有技术信号值调节。这尤其是由于这一事实：SEM用户并不预先知道扫描位置处的特征（诸如用于生物样品的染色的密度和厚度）。假设作为采用的（扫描的）电子束和具有这种未知特性的照射样品区域之间的局部相互作用而形成SEM图像，手头没有比采用的束属性更多的信息将会阻止对信号调节因子的确定。此外，较深层（水平）的内容将是未知的，因而阻止用户可靠地使用不同调节参数的多个试验来揭示关于表面下区域的一些信息。

为了处理该问题，发明人自身设置开发用于从测量数据确定缩放因子的自动化方法的目标。在本发明方法的开发中最后达到顶点的分析中，发明人获得如下的洞察：

－与反向散射（BS）电子相关的信号一般从其可检测范围内的所有产生深度得出足够的信息。

－在包括染色的生物样品和聚合物的若干类型的样品中，BS电子的数学点扩展函数（PSF）一般是（高度）线性的。

－这种样品中可检测BS电子的PSF还示出为（高度）横向约束地贯穿几十纳米（大于50nm）的深度。这一事实证明对于3D体成像是十分有用的，因为它意味着如果使用BS信号来探测样品内部，则具有相对较低的横向分辨率的损失。

－在一系列应用中遇到的复杂样品中，假设不同层可能包含不同结构和各种局部密度和拓扑变化，来自位于样品中不同深度处的层（水平）的信号在统计意义上倾向于是高度无关的。

这些实现最终允许发明人开发出一种使用SEM的一般类型的样品的断层照片（体）成像的一般性的自动化方法。更具体而言，采用如上提及的洞察，发明人发现，可以使用来自一系列盲源分离（BSS）技术的二阶和更高阶统计以解开（去卷积/空间分解）来自一般样品中不同层（水平）深度的信号。尤其是，发现主分量分析（PCA）技术在本语境中是相当成功的。

在根据本发明的方法的特定实施例中，PCA被应用于使用变化的一次束能量和BS电子检测或备选地使用能带过滤而采集的一组N个空间对准（且如有需要，缩放的）图像。在将每个图像平均值中心化和应用PCA之后，通过线性变换获得与输入图像相关的一组N个去相关图像（每个输入图像可以表示为这些去相关图像的线性组合）。例如可以使用诸如Karhunen-Loeve变换之类的各种合适方法获得线性映射。发明人注意到，使用不断增加的一次着陆（landing）能量采集的BS图像中的新信息大多数是由于来自入射电子到达的新深度层的信号；PCA去相关的效果因而导致不同深度层的有效分离。使用PCA，获得若干去相关图像，包括与样品的基质材料相关的强分量（在染色生命科学样品的情况中例如是环氧物）。发明人观察到，在Karhunen-Loeve变换中具有较低本征值的图像集对应于较深的层。在与这些较深分量相关联的图像中，使用来自所有可用的较低能量图像的信息来抵消顶层。

基于这些观察，可以开发出使用N个输入图像的算法，如下：

步骤1. 以不断增加的着陆能量采集N个 BS图像。

步骤2. 横向对准和/或缩放因此获得的图像序列。

步骤3. 为了计算（提炼（distil））与从样品表面开始计数的顺序为k的离散层（水平）相关联的图像（k = 1…N）：

－向序列中的最开始的k个图像应用PCA分解。

－提升具有低权重的独立分量（其源于较深的层）；即，例如，这通过使得这种分量与等于或与其PAC（例如Karhunen-Loeve）本征值的倒数成比例的权重因子相乘完成。

－使用重新加权的独立分量和背景（基质）分量重构深度图像。

步骤4. 使用2D和3D降噪和恢复方法后处理获得的序列。如有需要，可以在该阶段执行所谓的“层去模糊”（即，横向/xy去卷积）。

使用这种方法，计算的切片（层/水平）的相对厚度可以通过对在BS图像序列的采集期间应用的束能量增量适当选择来调节。这可以导致在很多应用中极高的深度分辨率，尤其当相关PSF具有良好线性时。

上述讨论多次参考PCA，但是应当意识到，在本发明的语境中可以应用的技术决不仅仅是BSS技术。例如，备选地可以采用独立分量分析（ICA），其以类似于PCA的方式分解一组输入图像，但是最小化基于熵的交互信息标准而不是相互关系标准。备选地，可以考虑采用诸如奇异值分解（SVD）或正定矩阵分解（PMF）的技术。关于BSS技术的更多信息例如可以从以下文献获得：

{1} P. Comon and C. Jutten, Handbook of Blind Source Separation: Independent Component Analysis and Applications, Academic Press, 2010.

{2} A. Hyvärinen and E. Oja, Independent Component Analysis: Algorithms and Applications, Neural Networks, 13(4-5):411–430, 2000.

{3} I.T. Jolliffe, Principal Component Analysis, Series: Springer Series in Statistics XXIX, 2nd ed., Springer, NY, 2002.

在上述论文中：

（i） 激励辐射包含反向散射（BS）电子。然而，原则上，例如也可以采用诸如二级电子或X射线辐射之类的其他类型的激励辐射。BS电子优于X射线之处例如在于，X射线一般不在相对低的入射束能量处产生，而BS电子却如此。

（ii） 束参数（P）是束能量（着陆能量）。然而，原则上，备选地可以选择束收敛角（入射角）或束焦深（穿透深度）作为变化的束参数。

（iii） 被测对象（M）是检测器电流（与BS电子相关）。然而，也可以选择强度作为被测对象（例如，当检测X射线作为激励辐射时）。

（iv） 成像量（Q）是强度。然而，例如也可以选择诸如电流、能量扩展或角度分布的其他成像量。通常，Q和M被选择为相同的量；然而，也可以针对Q选择与M不同的量。

在根据本发明的方法的实施例中，与连续测量会话相关联的测量参数（P）的连续值彼此相差基本恒定的增量（ΔP)），且获得的结果集（R）中的连续离散深度水平相应地彼此分离基本恒定的距离增量（ΔL）。在实验中，发明人发现，例如，在通常使用的高Z染色生物样品中，100eV的着陆能量中的增量典型地导致结果集R中的连续表面下水平（L_k）之间约4-5nm（即，大约双层）的距离增量。然而，应当注意，P并不必在连续测量会话之间改变恒定增量，且连续水平L_k也并不必以相同距离增量间隔开。

应当小心不混淆本发明与基于透射电镜（TEM）的已知断层成像技术，因此，深度信息通过采用一系列不同样品倾斜角而从样品获知。尤其，可以识别二者之间的如下差异：

－ TEM设备一般比SEM设备贵得多。

－ TEM方法使用高得多的输入束能量（典型地约200-300keV），这可能导致样品损坏。对照地，根据本发明的方法以低得多的输入束能量（例如约1-5keV）令人满意地工作。

－ TEM断层成像技术仅可以在极薄样品（厚度一般< 1μm）中使用。因为本发明不依赖于穿过样品的电子的透射，其不面临样品厚度方面的这种限制。

－ 诸如在本发明中使用的基于SEM的技术比基于TEM的技术具有大得多的横向范围，这是因为前者的（横向）扫描属性。

－ 由于其特别的属性，TEM断层成像不产生与本发明相关联的卷积深度数据类型，且因此不要求统计处理技术来对这样的卷积数据进行深度分辨。

上面提及的方法可以描述为需要进入到样品的“计算机切片”。有利之处在于，它提供非常好的z分辨率，但是在其z穿透到样品中的程度方面受限（z是垂直于样品的x/y表面的坐标）。如有需要，这种计算切片可以与“物理切片”相组合，从而提供增加可获得的z穿透的混合方法。这种物理切片涉及材料（中的至少一层）从样品的物理去除，且可以使用机械技术（例如使用切片机/钻石刀）和/或辐射/烧蚀技术（例如，使用激光束或宽离子束、或通过在样品上扫描聚焦离子束研磨样品）来执行。在这种混合方法的特定实施例中，可以交替地使用上面提及的计算切片和物理切片，由此：

－ 使用根据本发明的计算切片技术研究样品的暴露表面S；

－ 物理切片技术然后用于从表面S“撇”去材料，因而创建在S之下的深度D处的新暴露的表面S’；

－ 然后使用根据本发明的计算切片方法研究该新暴露的表面S’；

－ 如有需要，执行该混合方法的多次迭代，这涉及计算切片和物理切片的交替应用，且因而提供进入样品的越来越大的z穿透。

附图说明

现在将基于示例性实施例和所附示意图更加详细地阐述本发明，在附图中：

图1示出示意性描述用于执行根据本发明的方法的特定实施例的方案的流程图。

图2A和2B示出染色的生物样品的基于SEM的研究结果，其中不应用（图2A）和应用（图2B）根据本发明的方法。

图3示意性说明涉及如上面所述的计算切片和物理切片的交替使用的混合技术。

图4是示意性说明一个或更多迭代中计算切片和物理切片的交替应用的流程图。

在附图中的相关之处，相应的部件使用相应的参考标号表示。

具体实施方式

实施例 1

图1示出根据本发明的基于SEM 的3D体成像方法的实施例的流程图。该流程图中的各个步骤可以进一步阐述如下：

101：确定采集参数。此处，可以关于N（测量会话的数目）、P（测量会话之间变化的束参数）、ΔP（测量会话之间P中的增量大小）、要检测的激励辐射以及M（激励辐射的哪个被测对象将被测量）做出选择。例如，可以选择N=7，P=着陆能量，ΔP=100eV，激励辐射=BS电子，M=BS电子电流。

103：基于在步骤101中选择的参数，采集一组BS图像。这些图像代表关于研究的样品中深度信息的卷积数据。

105：N个采集的BS图像形成原始数据集。

107：数据集的元素彼此横向对准和/或缩放以形成对准的数据集。

109：对准的数据集用作用于根据本发明的统计去卷积操作的输入集。

111：执行一系列迭代数据处理步骤，其中，针对范围[2,…,N]中的每个整数值k，向数据对（P_i, M_i）的子集应用PCA分解，i = 1,...,k。

113：识别出与分解子集具有最小相关的该分解的独立分量。

115：如此识别的最小相关分量与表面S下的水平L_k相关联。

以这种方式，产生包括从表面（S）进行到样品中的离散水平L_k的频谱的结果集R = ((Q₁, L₁),...,(Q_N, L_N))。

实施例 2

图2A和2B示出进入染色的生物样品（在该特定情况中，老鼠的脑细胞）的越来越深层的基于SEM的3D切片的结果。在两种情况中，以200eV的增量以700eV至1900eV范围内越来越高的能量照射样品且检测从照射样品发射的BS电子。结果说明如下：

－ 图2A示出样品中线粒体的BS图像序列，其中没有对检测的数据去卷积的任意尝试。

－ 图2B示出在应用根据本发明的方法之后的相应图像序列，其代表相同线粒体的去卷积的深度分辨图像且揭示在图2A中并不（清晰）可见的3D结构。

实施例 3

可以以如下模型表示上面解释的图像形成中的线性假设：

(1)

其中：

是通过变换束参数采集的图像集；

是统计地去相关且代表来自不同深度层（水平）的信息的一组源图像；

是将原始图像变换成所谓的主分量的方阵。

PCA分解通过发现一组正交分量获得等式（1）中的因子分解，该正交分量以搜索具有最高方差（variance）的一个分量开始。

第一步骤包含最小化标准：

(2)

下一步骤是从原始图像减去发现的分量，且发现具有最高方差的下一层。

在迭代1<处，我们通过求解如下方程发现矩阵A的第k行：

(3)

可以示出（例如，参见上面的文献参考{1}和{3}），通过使用所谓的采集图像的协方差矩阵

的本征向量分解（EVD）可以实现连续层分离：

(4)

其中：

是

的本征向量的正交矩阵；

是本征值的对角矩阵。

然后可以获得主分量，为：

(5)

本征值直接涉及不同分量的方差：

(6)

在噪声扮演重要角色的情况中，具有较低权重（本征值）的分量可能被噪声支配。在这种情形下，本发明方法可以限制为K（

）个最有效的分量。减小图像数据维度的选择可以基于累积能量以及其与总能量的比例：

(7)

可以基于合适的阈值t选择对采用的层的数目K的限制。PCA维度减小中的常用方法是选择获得

的最低K。用于t的典型值是0.9（选择代表总能量的90%的分量）。

通过使用合适的加权方案重组若干个深度层可以最小化噪声影响。另外，层的重新加权和重组可以用于获得类似于原始图像的图像对比度。在前述PCA分解中，最强分量（方差方面）通常与背景（基质）材料相关联。将该分量添加到深度层增强了视觉外观和获得的图像的信息内容。通过以其方差重新缩放独立分量且使用重新缩放的分量重构最高能量图像，可以实现提升位于较深的层、减小噪声以及呈现适当对比度的效果，如下：

(8)

本领域技术人员应当意识到，也可以使用用于深度层的线性加全的其他选择。

实施例 4

作为上面所述的PCA分解的备选，还可以采用基于ICA的BSS方法。在ICA中，假设类似于（1）的线性模型。与PCA的主要差异在于，最小化较高阶统计独立标准（高于PCA中的二阶统计），诸如所谓的互信息（MI）：

(9)

边际熵计算为：

(10)

且联合熵为：

(11)

其中：

是成像量Q的概率分布；

是用于所述成像量的可能值；以及

是样品上的扫描点的总数（例如，在矩形图像的情况中，其是高和宽的乘积）。

诸如所谓的Infomax和Negentropy的其他标准也可以在ICA分解中优化。诸如FastICA的迭代方法可以用于有效地执行相关深度层分离任务。向因子分解任务添加更多的约束可以导致更精确的重构。如果添加了源（层）呈现非负信号且混合矩阵也是非负的条件，可以移动地更加接近图像形成下面的真实物理过程。基于这种假设的层分离方法可以使用具有迭代算法的所谓的非负矩阵分解（NMD）技术。

更多信息参见上面引用的文献参考{1}和{2}。

实施例 5

在使用NMD的又一备选中，解决非负约束最小化问题：

(12)

其中

是属于两个矩阵

和

的特定标准。

解决该问题的一个常用方法是使用所谓的交替最小二乘法（ALS）算法，其中首先关于寻求矩阵之一最小化(12)中的标准

，然后针对第二矩阵进行最小化，且然后重复这两个步骤直到获得收敛。如果我们首先关于A进行最小化，我们计算标准的微分且然后将其设置为零：

(13)

导致更新的规则：

(14)

关于L计算微分且设置为零导致第二更新规则：

(15)

在每一次迭代中，根据规则（14）和（15）计算矩阵，且例如通过将任意负值截断为零，或通过使用如参考{2}中所解释的主动设置方法强加相关非负约束（以表示；见下文）——导致：

(16)

(17)

如果成像噪声明显从高斯偏离，可以使用诸如Kullback-Leibler散度或其他I-散度测度的其他散度测度

来代替最小二乘法标准。

实施例6

图3说明本发明的实施例，其中计算切片（例如，如上面实施例1、3和/或4中所述）与物理切片组合，从而允许在样品的越来越深的区域（因而导致更大的总的z穿透）处的基于SEM的3D体成像（具有极好z分辨率）。

图3A（左）描绘计算切片步骤，由此使用变化的着陆能量(E1, E2, E3)扫描样品且如上所述应用深度层分离算法。这允许离散深度水平（L₁，L₂， L₃）的（虚拟）成像。

在图3B（中）中，后续用法由物理切片步骤组成，其中机械切割装置（例如钻石刀）或非机械方法（例如，涉及聚焦/宽离子束或聚焦的电磁束）用于从样品物理“撇去”材料的某一深度，因而产生新暴露的表面。

在图3C（右）中，对所述新暴露的表面执行后续计算切片操作。这允许新的离散深度水平（L₄，L₅，L₆）的（虚拟）成像。

该组合/混合方法还在图4的流程图中进一步阐述。该流程图中的计算切片过程类似于（例如）图1中描绘的过程，但是此处跟随着物理切片过程（称为图4中的流程图的底部的“物理层去除”），其后续（迭代）返回到流程图的顶部。计算切片和物理切片技术的这种交替应用可以视需要重复许多次迭代，以实现进入到特定样品的给定累积z穿透。

Claims (14)

1. 一种使用扫描电镜法研究样品的方法，包含以下步骤：

－在多个（N个）测量会话中使用探测电子束来照射样品的表面（S），每个测量会话具有相关联的束参数（P）值，该束参数值选自一系列这样的值且在测量会话之间不同；

－在每个测量会话期间检测样品发射的激励辐射，将被测对象（M）与其关联且记录用于每次测量会话的该被测对象的值，因而允许数据对（P_i, M_i）的数据集（D）的汇编，其中1 ≤ i ≤ N，

其特征在于：

－采用统计盲源分离技术来自动处理数据集（D）且空间地将其分解为成像对(Q_k, L_k)的结果集（R），其中具有值Q_k的成像量（Q）与参考表面S的离散深度水平L_k相关联。

2. 根据权利要求1所述的方法，其中：

－与连续测量会话相关联的测量参数（P）的连续值彼此相差基本恒定的增量（ΔP）；

－相应地，获得的结果集（R）中的连续离散深度水平彼此分离基本恒定的距离增量（ΔL）。

3. 根据权利要求1或2所述的方法，其中：

－束参数（P）选自包含束能量、束收敛角和束焦深的组；

－激励辐射选自包含二次电子、反向散射电子和X射线辐射的组；

－被测对象（M）选自包含强度和电流的组。

4. 根据权利要求1-3中任一项所述的方法，其中成像量（Q）选自包含强度、电流、角分布和能量扩展的组。

5. 根据前述权利要求中任一项所述的方法，其中该统计盲源分离技术选自包含主分量分析（PCA）和独立分量分析（ICA）的组。

6. 根据权利要求5所述的方法，其中：

－所述统计盲源分离技术是PCA；

－束参数（P）包含束能量，由此连续测量会话具有该参数的较大关联值；

－该激励辐射包含二次电子且所述被测对象（M）包含电流；

－该成像量（Q）包含强度；

－对数据集D的元素执行对准变换，从而横向对准和/或缩放它们；

－执行一系列迭代数据处理步骤，其中，针对范围[2,…,N]中的每个整数值k：

－向数据对（P_i, M_i）的子集应用PCA分解，i = 1,...,k；

－与所述子集具有最小相关的该分解的独立分量被识别且与表面S下面的水平L_k相关联，

由此，产生从表面（S）进行到样品中的离散水平L_k的频谱的结果集R = ((Q₁, L₁),...,(Q_N, L_N))。

7. 根据权利要求6所述的方法，其中：

－PCA分解的分量使用权重因子相对加权，对于给定分量，该权重因子等于或与用于该分量的本征值的倒数成比例；

－通过向其元素添加对应于样品的基质响应的因子来增加结果集（R）。

8. 根据权利要求6或7所述的方法，其中所述PCA分解是Karhunen-Loeve变换操作。

9. 根据前述权利要求中任一项所述的方法，其中使用统计降噪和恢复技术来后处理所获得的结果集（R）。

10. 根据前述权利要求中任一项所述的方法，其中结果集（R）得出关于样品的几何形状和材料组成二者的信息。

11. 根据前述权利要求中任一项所述的方法，其中：

－照射样品的表面（S）、检测样品发射的激励辐射以获得数据集（D）以及应用统计盲源分离技术来处理数据集（D）的所述步骤被包含在计算切片步骤中；

－所述计算切片步骤与物理切片步骤组合，由此，物理材料去除方法用于从原始表面（S）物理地去除一层材料，由此揭示新暴露的表面（S’）。

12. 根据权利要求11所述的方法，其中所述物理材料去除方法选自包含以下方法的组：使用刀片装置的机械研磨、使用离子束的离子研磨、使用电磁能量束的烧蚀、及其组合。

13. 根据权利要求11或12所述的方法，其中所述计算切片步骤和所述物理切片步骤在多次迭代中交替重复。

14. 一种设备，构建和布置为实施权利要求1至13中任一项所述的方法。

Images