Tomographie électronique analytique : Automatisation du traitement de données et application aux nano-dispositifs 3D en micro-électronique.

Analytical electron tomography : Data treatment automation and application to 3D microelectronics nanodevices.

• Auteur / Autrice : Julien Sorel
• Direction : Thierry Epicier
• Type : Thèse de doctorat
• Discipline(s) : Génie des matériaux
• Date : Soutenance le 02/10/2020
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : Ecole doctorale Matériaux de Lyon (Villeurbanne ; 1992?-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : MATEIS - Matériaux : Ingénierie et Science (Rhône) - Matériaux- ingénierie et science [Villeurbanne] / MATEIS
• Jury : Président / Présidente : Ovidiu Ersen
• Jury : Examinateurs / Examinatrices : Thierry Epicier, Ovidiu Ersen, Cécile Hebert, Williams Lefebvre, Jean-Yves Buffière, Magali Grégoire, Zineb Saghi
• Jury : Rapporteurs / Rapporteuses : Cécile Hebert, Williams Lefebvre

Mots clés

Mots clés contrôlés

Tomographie

Microscopie électronique en transmission

Nanoparticules

Mots clés libres

Microélectronique

Tomographie électronique

Stem

Edx

Traitement des données

Dispositifs nanoélectroniques

Semi-Conducteurs

Transistor

Traitement automatique des données

Reconstruction 3D

Micro Electronics

Electronic Tomography

STEM - Scanning transmission electron microscopy

EDX - Energy Dispersive X ray Spectroscopy

Data processing

Mano Electronic Device

SemiConductors

Transistor

Automatic data processing

3D Reconstruction

Résumé

Ce travail porte sur l’automatisation du traitement des données de tomographie électronique analytique appliquée aux nano-dispositifs électroniques. La technique utilisée est la spectroscopie de dispersion en énergie des rayons-X en mode balayage en microscopie électronique en transmission (STEM-EDX : Scanning Transmission Electron Microscopy, Energy Dispersive X-ray spectroscopy). Si la tomographie électronique STEM-EDX a bénéficié d’avancées technologiques récentes, comme de nouvelles sources électroniques ‘X’-FEG (Field Emission Gun) et des détecteurs X sensibles, les SDD (Silicon Drift Detectors), elle reste chronophage avec une statistique de comptage souvent faible pour éviter des durées prohibitives et une dégradation de l’échantillon par irradiation électronique. L’empilement des projections STEM-EDX, acquises sous différents angles d’inclinaison, est par ailleurs très volumineux et les logiciels commerciaux actuels ne peuvent pas le traiter automatiquement et de manière optimale. Pour améliorer cette situation, nous avons développé un programme utilisant la librairie Hyperspy en langage python, dédiée au traitement de données multi-dimensionnelles. L’analyse statistique multivariée permet d’optimiser et d’automatiser le débruitage des données, la calibration des spectres et la séparation des raies d’émission X superposées pour l’obtention de reconstructions tridimensionnelles quantitatives. Une technique de reconstruction avancée, l’acquisition comprimée, a aussi été mise en œuvre, diminuant le nombre de projections sans réduire l’information 3D finale. La méthode développée a été utilisée pour l’analyse chimique 3D de quatre nanostructures issues de la microélectronique : des transistors FET multi-grilles, HEMT et GAA, et un film mince GeTe. Les échantillons ont été taillés en pointe par FIB (Focused Ion Beam: Faisceau d’ions focalisés), et les données obtenues sur un microscope Titan Themis muni d’un système à 4 détecteurs SDD. L’évaluation du programme atteste qu’il permet d’obtenir des résultats précis et fiables sur les architectures 3D étudiées. Des pistes d’améliorations sont discutées en perspective d’un futur logiciel dédié au traitement de données en tomographie électronique analytique.

The aim of this thesis is to automate the process of hyperspectral analysis for analytical electron tomography applied to nanodevices. The work presented here is focused on datasets obtained by energy-dispersive X-ray spectroscopy in a scanning transmission electron microscope (STEM-EDX). STEM-EDX tomography has benefited greatly from recent developments in electron sources such as the ‘X’-FEG (Field Emission Gun), and multiple X-ray detector systems such as the Super-X, incorporating four SSD (Silicon Drift Detectors) detectors. The technique remains however very time-consuming, and low X-ray count rates are necessary to minimize the total acquisition time and avoid beam damage during the experiment. In addition, tomographic stacks of STEM-EDX datacubes, acquired at different tilt angles, are too large to be analyzed by commercial software packages in an optimal way. In order to automate this process, we developed a code based on Hyperspy, a Python library for multidimensional data analysis. Multivariate statistical analysis techniques were employed to optimize and automate the denoising, the energy calibration and the separation of overlapping X-ray lines, with the aim to achieve quantitative, chemically sensitive volumes. Moreover, a compressed sensing based algorithm was employed to achieve high fidelity reconstructions with undersampled tomographic datasets. The code developed during this thesis was used for the 3D chemical analysis of four microelectronic nanostructures: FinFET, HEMT and GAA transistors, and a GeTe thin film for memory device applications. The samples were prepared in a needle shape using a focused ion beam, and the data acquisitions were performed using a Titan Themis microscope equipped with a super-X EDX detector system. It is shown that the code yields 3D morphological and chemical information with high accuracy and fidelity. Ways to improve the current methodology are discussed, with future efforts aiming at developing a package dedicated to analytical electron tomography.