AI-teknik ”avkodar” mikroskopbilder och övervinner grundläggande gräns

Credit: Nano Letters (2024). DOI: 10.1021/acs.nanolett.3c04712
Credit: Nano Letters (2024). DOI: 10.1021/acs.nanolett.3c04712

Atomkraftsmikroskopi, eller AFM, är en allmänt använd teknik som kvantitativt kan kartlägga materialytor i tre dimensioner, men dess noggrannhet begränsas av storleken på mikroskopets sond. En ny AI-teknik övervinner denna begränsning och gör det möjligt för mikroskop att lösa upp materialegenskaper som är mindre än sondens spets.

Den djupinlärningsalgoritm som utvecklats av forskare vid University of Illinois Urbana-Champaign är tränad för att ta bort effekterna av sondens bredd från AFM-mikroskopbilder. Som rapporteras i tidskriften Nano Letters överträffar algoritmen andra metoder genom att ge de första verkliga tredimensionella ytprofilerna vid upplösningar under bredden på mikroskopets sondspets.

”Exakta ytprofiler är avgörande för såväl utvecklingen av nanoelektronik som vetenskapliga studier av material och biologiska system, och AFM är en nyckelteknik som kan mäta profiler på ett icke-invasivt sätt”, säger Yingjie Zhang, professor i materialvetenskap och -teknik vid U. of I. och projektledare. ”Vi har visat hur man kan vara ännu mer exakt och se saker som är ännu mindre, och vi har visat hur AI kan utnyttjas för att övervinna en till synes oöverstiglig begränsning.”

Ofta kan mikroskopitekniker bara ge tvådimensionella bilder, vilket i princip ger forskarna flygfotografier av materialytor. AFM ger fullständiga topografiska kartor som exakt visar ytornas höjdprofiler. Dessa tredimensionella bilder erhålls genom att man för en sond över materialets yta och mäter dess vertikala avböjning.

Om ytstrukturerna närmar sig storleken på sondens spets – ca 10 nanometer – kan de inte avbildas med mikroskop eftersom sonden blir för stor för att ”känna av” strukturerna. Mikroskopister har varit medvetna om denna begränsning i årtionden, men forskarna från U. of I. är de första som ger en deterministisk lösning.

”Vi vände oss till AI och djupinlärning eftersom vi ville få fram höjdprofilen – den exakta grovheten – utan de inneboende begränsningarna i mer konventionella matematiska metoder”, säger Lalith Bonagiri, doktorand i Zhangs grupp och studiens huvudförfattare.

Forskarna utvecklade en djupinlärningsalgoritm med ett kodare-avkodare-ramverk. Den ”kodar” först råa AFM-bilder genom att dela upp dem i abstrakta funktioner. Efter att funktionsrepresentationen har manipulerats för att ta bort de oönskade effekterna ”avkodas” den sedan tillbaka till en igenkännbar bild.

För att träna algoritmen genererade forskarna konstgjorda bilder av tredimensionella strukturer och simulerade deras AFM-avläsningar. Algoritmen konstruerades sedan för att omvandla de simulerade AFM-bilderna med probstorlekseffekter och extrahera de underliggande egenskaperna.

”Vi var faktiskt tvungna att göra något icke-standardiserat för att uppnå detta”, säger Bonagiri. ”Det första steget i typisk AI-bildbehandling är att skala om bildernas ljusstyrka och kontrast mot någon standard för att förenkla jämförelser. I vårt fall är dock den absoluta ljusstyrkan och kontrasten den del som är meningsfull, så vi var tvungna att avstå från det första steget. Det gjorde problemet mycket mer utmanande.”

För att testa sin algoritm syntetiserade forskarna guld- och palladiumnanopartiklar med kända dimensioner på en kiselvärd. Algoritmen lyckades avlägsna effekterna av sondspetsen och identifierade korrekt nanopartiklarnas tredimensionella egenskaper.

”Vi har gett ett proof-of-concept och visat hur man använder AI för att avsevärt förbättra AFM-bilder, men det här arbetet är bara början”, säger Zhang. ”Som med alla AI-algoritmer kan vi förbättra den genom att träna den på mer och bättre data, men vägen framåt är tydlig.”

Ytterligare information: 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

Bli först med att kommentera

Lämna ett svar

Din e-postadress kommer inte att publiceras.