基于注意力机制的卷积神经网络用于场发射针状物料的上下文感知硅微结构表征
计算机视觉与模式识别
2026-01-27 v1 人工智能
摘要
硅微结构的精准表征对于推动微尺度制造、质量控制和器件性能至关重要。传统方法使用扫描电子显微镜(SEM)时，常需 Labor-intensive、人工评估特征几何，限制了吞吐量和可重复性。本研究提出SiMiC：一种用于场发射针状物料的上下文感知硅微结构表征框架，采用注意力机制的卷积神经网络。通过深度学习方法，本框架高效提取形态特征——包括大小、形状和顶端曲率——从SEM图像中显著减少人工干预的同时提高测量一致性。开发了针对硅基场发射针状物料的专用数据集，并训练了集成注意力机制的定制CNN架构，用于多类微结构分类和尺寸预测。与经典图像处理技术的比较分析表明，SiMiC 在保持可解释性的同时实现了高准确率。该框架为数据驱动的微结构分析奠定了基础，直接关联场发射性能，为关联发射器几何与发射行为、指导优化冷阴极和SEM电子源设计开辟了途径。相关数据集和算法仓库可在 https://research.jingjietan.com/?q=SIMIC 访问。
引用
@article{arxiv.2601.17048,
title = {SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis},
author = {Jing Jie Tan and Rupert Schreiner and Matthias Hausladen and Ali Asgharzade and Simon Edler and Julian Bartsch and Michael Bachmann and Andreas Schels and Ban-Hoe Kwan and Danny Wee-Kiat Ng and Yan-Chai Hum},
journal= {arXiv preprint arXiv:2601.17048},
year = {2026}
}