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简单介绍，以下资料来源
因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。
一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。
历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.
SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。
因果关系：
究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。
举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：
3. 这时还有可能出现更多的潜在变量：
这里我又举另外一个例子，回归模型
在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。
我们在举另外一个例子“路径分析”
路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。
在这里我们总结一下：
回归分析简单的说就是：X真的影响Y 吗？
路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。
在这里要提一下因素模型（factor model）
在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。
举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。
相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。
这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。
如下：
1. 大数据应用案例之：医疗行业
1）Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。
在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。
它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。
2）大数据配合乔布斯癌症治疗
乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。
2. 大数据应用案例之：能源行业
1）智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。
通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。
因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。
2）丹麦的维斯塔斯风能系统(Vestas Wind Systems)运用大数据，系统依靠的是BigInsights软件和IBM超级计算机，分析出应该在哪里设置涡轮发电机，事实上这是风能领域的重大挑战。在一个风电场20多年的运营过程中，准确的定位能帮助工厂实现能源产出的最大化。
为了锁定最理想的位置，Vestas分析了来自各方面的信息：风力和天气数据、湍流度、地形图、公司遍及全球的2.5万多个受控涡轮机组发回的传感器数据。这样一套信息处理体系赋予了公司独特的竞争优势，帮助其客户实现投资回报的最大化。
3. 大数据应用案例之：通信行业—通过大数据分析挽回核心客户
法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska是波兰最大的语音和宽带固网供应商，希望有效的途径来准确预测并解决客户流失问题。
他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。
这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响?挽留最有价值客户的难度有多大?运用这一方法，公司客户流失预测模型的准确率提升了47%。
4、大数据应用案例之：零售业—大数据帮零售企业制定促销策略
北美零售商百思买在北美的销售活动非常活跃，产品总数达到3万多种，产品的价格也随地区和市场条件而异。由于产品种类繁多，成本变化比较频繁，一年之中，变化可达四次之多。
结果，每年的调价次数高达12万次。最让高管头疼的是定价促销策略。公司组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高定价的准确度和响应速度。
定价团队的分析围绕着三个关键维度：
1）数量：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，从客户不同维度分析，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。
2）多样性：团队除了分析了购买记录这种结构化的数据外，他们也利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。
3）速度：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。
透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。
5、大数据应用案例之：网络营销行业（SEM）
很多企业在做SEM的过程中，都有这样的感触：每年都会花费大量的预算在SEM推广中，但是因为关键词投入产出无法可视化，常常花了很多钱却不见具体的回报。
在竞争如此激烈的SEM市场中，企业需要一个高效的数据分析工具来尽可能地帮企业优化SEM推广，例如BDP，来帮企业节省不必要的支出，提升整体的经营绩效。
企业可借助数据平台提供的网络营销整合解决方案，打通各个搜索引擎营销（SEM）、在线客服系统和CRM系统，营销竞价人员无需掌握复杂的编程技术，简单拖拽即可生成报表，观察每一个关键词的投入和产出，分析每一个页面的转化，有效降低投放成本。
通过BDP实况分析数据，可以快速洞悉对手关键词的投放时段、地域及排名，并对其进行可视化的分析，实时监控自己和竞争对手的投放情况，了解对手的投放策略，支持自定义设置数据更新的时间点、监控频次和时段，及时调整策略。知已知彼，才能百战不殆。
6、大数据应用案例之：电商行业
意料之外：胸部最大的是新疆妹子。曾经淘宝平台显示，中国女性购买最多的文胸尺码为B罩杯。B罩杯占比达41.45%，其中又以75B的销量最好，其次是A罩杯，购买占比达25.26%，C罩杯只有8.96%。
虽然淘宝数据平台不能代表一切，但是结合现实来看，这个也具有普遍的代表性，只能感慨中国女性普遍size。在文胸颜色中，黑色最为畅销，黑色绝对是百搭，每个女性必备。
从省市排名，胸部最大的是新疆妹子。这些数据都对于文胸店铺而言是很好的参考，为店铺的库存、定价、款式选择等策略都有奠定数据基础。
7、大数据应用案例之：娱乐行业
微软大数据成功预测奥斯卡21项大奖。2013年，微软纽约研究院的经济学家大卫•罗斯柴尔德（David Rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。
今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。
总的来说，大数据的终极目标并不仅仅是改变竞争环境，而是彻底扭转整个竞争环境，带来新机遇，企业需要应势而变。企业只有认识到这一点，使用合适的数据分析产品、聪明地使用和管理数据，才能在长期竞争中成为终极赢家。
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）