2020-02-08-2小刘科研笔记之FIB-SEM双束系统在材料研究中的应用

聚焦离子束扫描电镜双束系统（FIB-SEM）是在SEM的基础上增加了聚焦离子束镜筒的双束系统，同时具备微纳加工和成像的功能，广泛应用于科学研究和半导体芯片研发等多个领域。本文记录一下FIB-SEM在材料研究中的应用。

以目前实验室配有的FIB-SEM的型号是蔡司的Crossbeam 540为例进行如下分析，离子束最高成像分辨率为3nm，电子束最高分辨率为0.9nm。该系统的主要部件及功能如下：

1.离子束： 溅射（切割、抛光、刻蚀）；刻蚀最小线宽10nm，切片最薄3nm。 

2.电子束 ： 成像和实时观察

3.GIS(气体注入系统)： 沉积和辅助刻蚀；五种气体：Pt、W、SiO2、Au、XeF2(增强刻蚀SiO2)

4.纳米机械手：  转移样品 

5.EDS： 成分定量和分布

6.EBSD ： 微区晶向及晶粒分布

7.Loadlock（样品预抽室）： 快速进样，进样时间只需~1min

由上述FIB-SEM的一个部件或多个部件联合使用，可以实现在材料研究中的多种应用，具体应用实例如下：

图2a和b分别是梳子形状的CdS微米线的光学显微镜和扫描电镜照片，从光学显微镜照片可以看出在CdS微米线节点处内部含有其他物质，但无法确定是什么材料和内部形貌。利用FIB-SEM在节点处定点切割截面，然后对截面成像和做EDS mapping，如图2c、d、e和f所示，可以很直观的得到在CdS微米线的节点处内部含有Sn球。

FIB-SEM制备TEM样品的常规步骤如图3所示，主要有以下几步：

1）在样品感兴趣位置沉积pt保护层

2）在感兴趣区域的两侧挖大坑，得到只有约1微米厚的薄片

3）对薄片进行U-cut，将薄片底部和一侧完全切断

4）缓慢移下纳米机械手，轻轻接触薄片悬空的一端后，沉积pt将薄片和纳米机械手焊接牢固，然后切断薄片另一侧，缓慢升起纳米机械手即可提出薄片

5）移动样品台和纳米机械手，使薄片与铜网（放置TEM样品用）轻轻接触，然后沉积pt将薄片和铜网焊接牢固，将薄片和纳米机械手连接的一端切断，移开纳米机械手，转移完成

6）最后一步为减薄和清洗，先用大加速电压离子束将薄片减薄至150nm左右，再利用低电压离子束将其减薄至最终厚度（普通TEM样品<100nm，高分辨TEM样品50nm左右，球差TEM样品<50nm）

一种如图4a所示的MoS2场效应管，需要确定实际器件中MoS2的层数及栅极（Ag纳米线）和MoS2之间的距离。利用FIB-SEM可以准确的在MoS2场效应管的沟道位置，垂直于Ag纳米线方向，提出一个薄片，并对其进行减薄，制备成截面透射样。在TEM下即可得到MoS2的层数为14层（图4c）， Ag纳米线和MoS2之间的距离为30nm（图4b）。

图5是一种锰酸锂材料的STEM像，该样品是由FIB-SEM制备，图中可以看到清晰的原子像。这表明FIB-SEM制备的该球差透射样非常薄并且有很少的损伤层。

FIB-SEM还可以进行微纳图形的加工。

图6a 是FIB-SEM在Au/SiO2上制备的光栅，光栅周期为150nm，光栅开口为75nm。

图6b 是利用FIB-SEM在Mo/石英上做的切仑科夫辐射源针尖，针尖曲率半径为17nm。

图6c 是在Au膜上加工的三维对称结构蜘蛛网。

图6d 是FIB-SEM在硅上刻蚀的贺新年图案，图中最小细节尺寸仅有25nm。

FIB-SEM可以对材料进行切片式的形貌和成分三维重构，揭示材料的内部三维结构。大概过程如图7a所示， FIB切掉一定厚度的样品，SEM拍一张照片，重复此过程，连续拍上百张照片，然后将上百张切片照片重构出三维形貌。图7b是一种多孔材料内部3×5×2um范围的三维重构结果，其实验数据是利用FIB-SEM采集，三维重构是利用Avizo软件得到，其分辩率可达纳米级，展示了内部孔隙的三维空间分布，并可以计算出孔隙的半径大小、体积及曲率等参数。

利用FIB-SEM配有的纳米机械手及配合使用离子束沉积Pt，可以实现微米材料的转移，即把某种材料从一个位置（衬底）转移到特定位置（衬底），并固定牢固。图8是把四针氧化锌微米线从硅片转移到两电极的沟道之间，从而制备成两个微米线间距只有1um的特殊器件。

最后，FIB-SEM还有很多其他的应用，例如三维原子探针样品制备，芯片线路修改等。总之FIB-SEM是材料研究中一个非常重要的手段。

不积珪步，无以至千里；不积细流，无以成江海。做好每一份工作，都需要坚持不懈的学习。

SEM的主要用途是：

1、带来更多的点击与关注；

2、带来更多的商业机会；

3、树立行业品牌；

4、增加网站广度；

5、提升品牌知名度；

6、增加网站曝光度；

7、根据关键词，通过创意和描述提供相关介绍。

SEM：英文为Search Engine Marketing ，中文为搜索引擎营销。通常简称为SEM。搜索引擎营销的基本思想是让用户发现信息，并通过（搜索引擎）搜索点击进入网站/网页进一步了解他所需要的信息。在介绍搜索引擎策略时，一般认为，搜索引擎优化设计主要目标有2个层次：被搜索引擎收录、在搜索结果中排名。

搜索引擎营销的基本思想是让用户发现信息，并通过（搜索引擎）搜索点击进入网站/网页进一步了解他所需要的信息。在介绍搜索引擎策略时，一般认为，搜索引擎优化设计主要目标有2个层次：被搜索引擎收录、在搜索结果中排名靠前。这已经是常识问题，简单来说SEM所做的就是以最小的投入在搜索引擎中获最大的访问量并产生商业价值。多数网络营销人员和专业服务商对搜索引擎的目标设定也基本处于这个水平。但从实际情况来看，仅仅做到被搜索引擎收录并且在搜索结果中排名靠前还很不够，因为取得这样的效果实际上并不一定能增加用户的点击率，更不能保证将访问者转化为顾客或者潜在顾客，因此只能说是搜索引擎营销策略中两个最基本的目标。

SEM 的方法包括搜索引擎优化(SEO)、付费排名、以及付费收录。

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说，这些潜变量是连续的。这里需要注意的是：1. 潜变量(latent variables)是与观察变量(Observed variables)相对的，可通过数据分析观察；2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts)，或者是这些类别的组合形式。

    SEM有两个部分：一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model)，用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此，这一组可观察的因变量被称为因子指标(factor indicators)，这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系？可以通过以下方式：

1. 若因子指标是连续的，用线性回归方程(linear regression equations)；

2. 若因子指标是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指标是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若因子指标是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若因子指标是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系：

1. 因子之间的关系；

2. 观察变量之间的关系；

3. 因子和不作为因子指标的观察变量之间的关系。

    同样，这些变量有不同的种类，所以要根据它们的类别来选择合适的方程进行分析：

1. 若因子为因变量，及可观察的因变量是连续的，用线性回归方程(linear regression equations)；

2. 若可观察的因变量是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若可观察的因变量是二进制的或者是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若可观察的因变量是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若可观察的因变量是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中，有序的类别变量可通过建立比例优势(proportional odds)模型进行说明；最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现：

1. 单个或多组分析(Single or multiple group analysis)；

2. 缺失值(Missing data)；

3. 复杂的调查数据(Complex survey data)；

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 随机斜率(Random slopes)；

6. 限制线性和非线性参数(Linear and non-linear parameter constraints)；

7. 包括特定路径的间接作用(Indirect effects including specific paths)；

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types)；

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals)；

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

---