El microscopio electrónico está diseñado para aumentar la productividad y acelerar la adquisición de datos de microscopía electrónica de transmisión (TEM). Algunos modelos modernos incluyen capacidades de inteligencia artificial y algoritmos basados en aprendizaje automático para permitir la metrología automatizada y obtener datos de gran volumen y alta calidad de dispositivos complejos y materiales novedosos rápidamente.
A medida que la inteligencia artificial (IA) y el aprendizaje automático siguen ganando interés en las noticias, sobre todo ChatGPT y otras aplicaciones de IA, qué mejor momento para compartir información sobre cómo la IA y el aprendizaje automático están mejorando la productividad de las herramientas y los recursos técnicos en (S)TEM. Microscopios electrónicos de barrido (SEM), SEM de haz iónico enfocado (FIB-SEM) y TEM.
La calibración del microscopio electrónico consiste principalmente en mantener el equipo en un estado óptimo de funcionamiento y mejorar su rendimiento. Dentro de la calibración de sistemas, cuatro de las aplicaciones más conocidas son la alineación de herramientas, el mantenimiento predictivo y la supervisión, la gestión de flotas y la optimización de imágenes.
Con la alineación de herramientas, el microscopio electrónico utiliza visión artificial y algoritmos avanzados para alinear la columna y el haz. La IA rastrea el estado de alineación de la columna y lo compara con la ventana de estabilidad para mantener la herramienta alineada y funcionando según las especificaciones. Esto garantiza una captura de datos de alta calidad y evita pérdidas de productividad debido a errores de tiempo de ejecución o desviaciones encontradas después de que ya se hayan recopilado los datos.
El mantenimiento predictivo y el monitoreo se habilitan mediante el uso de IA y datos de sensores recopilados para automatizar la identificación de posibles problemas que pueden afectar el funcionamiento de la herramienta. El mantenimiento predictivo y el monitoreo brindan la capacidad de evitar el tiempo de inactividad no planificado, programar el mantenimiento de manera proactiva según sea necesario o recibir notificaciones para intervenir cuando una falla repentina es inminente.
Un ejemplo adicional de una aplicación en esta categoría es la optimización de imágenes. Para la industria de los semiconductores, la limpieza o eliminación de ruido de los datos puede ser vital para producir análisis cuantitativos reproducibles y estadísticamente significativos de los datos (S)TEM. Como por ejemplo, entrenando una red de aprendizaje automático en las estructuras para reducir la relación señal-ruido (SNR) y mejorar la calidad de la imagen SEM y la velocidad de adquisición.