La microscopie à force atomique, ou AFM, est une strategy largement utilisée qui permet de cartographier quantitativement des surfaces matérielles en trois dimensions, mais sa précision est limitée par la taille de la sonde du microscope. Une nouvelle technique d'IA surmonte cette limitation et permet aux microscopes de résoudre des caractéristiques matérielles additionally petites que la pointe de la sonde.
L'algorithme d'apprentissage profond développé par des chercheurs de l'Université de l'Illinois à Urbana-Champaign est formé pour supprimer les effets de la largeur de la sonde des photographs du microscope AFM. Comme indiqué dans la revue Nano Letters, l'algorithme surpasse les autres méthodes en donnant les premiers vrais profils de surface tridimensionnels à des résolutions inférieures à la largeur de la pointe de la sonde du microscope.
« Des profils précis de hauteur de area sont cruciaux pour le développement de la nanoélectronique ainsi que pour les études scientifiques des matériaux et des systèmes biologiques, et l'AFM est une technique clé qui peut mesurer les profils de manière non invasive », a déclaré Yingjie Zhang, professeur de science et d'ingénierie des matériaux à l'Université d'I. le chef de projet. « Nous avons démontré comment être encore furthermore précis et voir des choses encore plus petites, et nous avons montré comment l'IA peut être exploitée pour surmonter une limitation apparemment insurmontable. »
Souvent, les tactics de microscopie ne peuvent fournir que des photographs bidimensionnelles, fournissant essentiellement aux chercheurs des photographies aériennes de surfaces matérielles. L'AFM fournit des cartes topographiques complètes montrant avec précision les profils de hauteur des éléments de surface. Ces photos tridimensionnelles sont obtenues en déplaçant une sonde sur la surface area du matériau et en mesurant sa déviation verticale.
Si les caractéristiques de la floor approchent de la taille de la pointe de la sonde – approximativement 10 nanomètres – alors elles ne peuvent pas être résolues au microscope vehicle la sonde devient trop grande pour « palper » les caractéristiques. Les microscopistes sont conscients de cette limitation depuis des décennies, mais les chercheurs de l'Université d'Island sont les premiers à proposer une solution déterministe.
« Nous nous sommes tournés vers l'IA et l'apprentissage profond parce que nous voulions obtenir le profil de hauteur – la rugosité exacte – sans les limitations inhérentes aux méthodes mathématiques furthermore conventionnelles », a déclaré Lalith Bonagiri, étudiante diplômée du groupe de Zhang et auteur principal de l'étude.
Les chercheurs ont développé un algorithme d’apprentissage en profondeur avec un cadre codeur-décodeur. Il « code » d’abord les pictures AFM brutes en les décomposant en fonctionnalités abstraites. Une fois que la représentation des caractéristiques a été manipulée pour supprimer les effets indésirables, elle est ensuite « décodée » en une graphic reconnaissable.
Pour entraîner l’algorithme, les chercheurs ont généré des visuals artificielles de structures tridimensionnelles et simulé leurs lectures AFM. L'algorithme a ensuite été construit pour transformer les illustrations or photos AFM simulées avec des effets de taille de sonde et extraire les caractéristiques sous-jacentes.
« Nous avons dû faire quelque chose de non regular pour y parvenir », a déclaré Bonagiri. « La première étape du traitement d'picture typique de l'IA consiste à redimensionner la luminosité et le contraste des photographs par rapport à une norme pour simplifier les comparaisons. Dans notre cas, cependant, la luminosité et le contraste absolus sont la partie qui a du sens, nous avons donc dû y renoncer en premier. étape. Cela a rendu le problème beaucoup as well as difficile.
Pour tester leur algorithme, les chercheurs ont synthétisé des nanoparticules d’or et de palladium de dimensions connues sur un hôte en silicium. L’algorithme a réussi à supprimer les effets de la pointe de la sonde et à identifier correctement les caractéristiques tridimensionnelles des nanoparticules.
« Nous avons donné une preuve de idea et montré comment utiliser l'IA pour améliorer considérablement les visuals AFM, mais ce travail n'est qu'un début », a déclaré Zhang. « Comme pour tous les algorithmes d'IA, nous pouvons l'améliorer en l'entraînant sur des données as well as nombreuses et de meilleure qualité, mais la voie à suivre est claire. »
Les expériences ont été réalisées à l'Institut Carl R. Woese de biologie génomique et au Laboratoire de recherche sur les matériaux de l'Université d'I.
Le soutien a été fourni par la National Science Basis et la Fondation Arnold et Mabel Beckman.
