Quanten-Diamant-Mikroskop Teil 2 – Imaging von elektrischen Strömen
Abb. 1
In der letzten Ausgabe haben wir das Quanten-Diamant-Mikroskop (QDM) vorgestellt. Dabei handelt es sich um ein neuartiges System zur gleichzeitigen Messung von Magnetfeldvektor und Magnetfeldstärke über einen großen Sichtbereich. Das QDM nutzt eine dichte Schicht fluoreszierender Stickstoffleerstellen (NV-Zentren) nahe der Oberfläche eines transparenten Diamantsubstrats. Dieses wird auf die Probe gelegt, um die Magnetfelder abzubilden. Die großflächige magnetische Bildgebung ermöglicht neue Anwendungen, von denen eine hier vorgestellt werden soll.
Jeder Strom erzeugt ein magnetisches Feld und umgekehrt. Es ist daher naheliegend, QDM zur Abbildung von Strömen in elektrischen Bauteilen zu verwenden. Die Verteilung der Stromdichten in aktiven integrierten Schaltungen (ICs) liefert Informationen über die Struktur und Funktion der Schaltung. Die magnetischen Felder durchdringen die in der Halbleiterindustrie üblichen Materialien und bieten somit eine effektive Möglichkeit, das Betriebsverhalten eines ICs zu analysieren. Die Magnetfelder ändern sich in Abhängigkeit vom Betriebszustand. Die magnetische Bildgebung kann Informationen über die Struktur und das Verhalten des Schaltkreises liefern, die zur Prüfung und Fehlersuche verwendet werden können. Mit dem QDM lassen sich magnetische Felder von ICs unter Betriebsbedingungen abbilden.
Abb. 2
Edlyn V. Levine (Havard University) hat zusammen mit Amir Yacoby, Marko Loncar und weiteren Kollegen gezeigt, wie sich Informationen über Funktion und Zustand des ICs aus der Feldverteilung ableiten lassen [1]. Abb. 1 zeigt die Feldverteilung in X, Y und Z Richtung für zwei unterschiedliche Bereiche eines Field Programmable Gate Arrays( FPGA). Jeder Bereich enthält ein Cluster aus 200 Ringoszillatoren (ROs). Die Ströme, die durch die vertikalen Leiterbahnen am rechten Bildrand fließen, sind deutlich zu erkennen. In Abb. 2 ist das gemessene Magnetfeld über einem Bild der Schaltung grafisch dargestellt.
Die Gruppe nutzte Techniken des maschinellen Lernens, um Betriebszustände sowohl von entkapselten als auch von intakten FPGAs anhand der Korrelation von Magnetfeldmustern zu klassifizieren. Dies ermöglicht es, die Aktivität einzelner Bereiche zu erkennen und festzustellen, ob der Betrieb der Norm entspricht.
[1] Matthew J. Turner, Nicholas Langellier, Rachel Bainbridge, Dan Walters, Srujan Meesala, Thomas M. Babinec, Pauli Kehayias, Amir Yacoby, Evelyn Hu,Marko Loncar, Ronald L. Walsworth,and Edlyn V. Levine, Magnetic Field Fingerprinting of Integrated-Circuit Activity with a Quantum Diamond Microscope, Phys. Rev. Applied 14, 014097 – Published 31 July 2020
