AI-teknik afkoder mikroskopbilleder og overvinder fundamental grænse

Atomkraftmikroskopi, eller AFM, er en meget brugt teknik, der kvantitativt kan kortlægge materialeoverflader i tre dimensioner, men dens nøjagtighed er begrænset af størrelsen af ​​mikroskopets sonde. En ny kunstig intelligens-teknik overvinder denne begrænsning og tillader mikroskoper at opløse materialeegenskaber, der er mindre end sondens spids.

Den dybe læringsalgoritme udviklet af forskere ved University of Illinois Urbana-Champaign er trænet til at fjerne virkningerne af sondens bredde fra AFM-mikroskopbilleder. Som rapporteret i tidsskriftet Nano Letters, algoritmen overgår andre metoder ved at give de første ægte tredimensionelle overfladeprofiler ved opløsninger under bredden af ​​mikroskopsondens spids.

"Nøjagtige overfladehøjdeprofiler er afgørende for udviklingen af ​​nanoelektronik såvel som videnskabelige undersøgelser af materiale og biologiske systemer, og AFM er en nøgleteknik, der kan måle profiler ikke-invasivt," siger Yingjie Zhang, professor i materialevidenskab og ingeniørvidenskab fra U. of I. projektlederen. "Vi har demonstreret, hvordan man kan være endnu mere præcis og se ting, der er endnu mindre, og vi har vist, hvordan AI kan udnyttes til at overvinde en tilsyneladende uoverstigelig begrænsning."

Ofte kan mikroskopiteknikker kun give todimensionelle billeder, hvilket i det væsentlige giver forskere luftfotos af materialeoverflader. AFM leverer fulde topografiske kort, der nøjagtigt viser højdeprofilerne af overfladeelementerne. Disse tredimensionelle billeder opnås ved at flytte en sonde hen over materialets overflade og måle dets lodrette afbøjning.

Hvis overfladeegenskaber nærmer sig størrelsen af ​​sondens spids - omkring 10 nanometer - så kan de ikke løses af mikroskopet, fordi sonden bliver for stor til at "mærke" funktionerne. Mikroskopister har været opmærksomme på denne begrænsning i årtier, men U. of I.-forskerne er de første til at give en deterministisk løsning.

"Vi vendte os til kunstig intelligens og dyb læring, fordi vi ønskede at få højdeprofilen - den nøjagtige ruhed - uden de iboende begrænsninger af mere konventionelle matematiske metoder," sagde Lalith Bonagiri, en kandidatstuderende i Zhangs gruppe og undersøgelsens hovedforfatter.

Forskerne udviklede en deep learning-algoritme med en encoder-decoder-ramme. Det "koder" først rå AFM-billeder ved at dekomponere dem til abstrakte funktioner. Efter at feature-repræsentationen er manipuleret for at fjerne de uønskede effekter, bliver den derefter "afkodet" tilbage til et genkendeligt billede.

For at træne algoritmen genererede forskerne kunstige billeder af tredimensionelle strukturer og simulerede deres AFM-udlæsninger. Algoritmen blev derefter konstrueret til at transformere de simulerede AFM-billeder med probestørrelseseffekter og udtrække de underliggende funktioner.

"Vi var faktisk nødt til at gøre noget ikke-standardiseret for at opnå dette," sagde Bonagiri. "Det første trin i typisk AI-billedbehandling er at omskalere billedernes lysstyrke og kontrast i forhold til en eller anden standard for at forenkle sammenligninger. I vores tilfælde er den absolutte lysstyrke og kontrast dog den del, der er meningsfuld, så vi var nødt til at give afkald på det først. trin. Det gjorde problemet meget mere udfordrende."

For at teste deres algoritme syntetiserede forskerne guld- og palladiumnanopartikler med kendte dimensioner på en siliciumvært. Algoritmen fjernede med succes sondespidseffekterne og identificerede korrekt de tredimensionelle træk ved nanopartiklerne.

"Vi har givet et proof-of-concept og vist, hvordan man bruger AI til markant at forbedre AFM-billeder, men dette arbejde er kun begyndelsen," sagde Zhang. "Som med alle AI-algoritmer kan vi forbedre den ved at træne den på flere og bedre data, men vejen frem er klar."

Flere oplysninger: Lalith Krishna Samanth Bonagiri et al., Precise Surface Profiling at the Nanoscale Enabled by Deep Learning, Nano Letters (2024). DOI:10.1021/acs.nanolett.3c04712

Leveret af University of Illinois Grainger College of Engineering