Атомно-силовая микроскопия (АСМ) — широко используемый метод, позволяющий количественно отображать поверхности материалов в трех измерениях, но его точность ограничена размером зонда микроскопа. Новая технология искусственного интеллекта преодолевает это ограничение и позволяет микроскопам различать объекты материала, размер которых меньше кончика зонда.

Алгоритм глубокого обучения, разработанный исследователями из Университета Иллинойса в Урбане-Шампейн, обучен устранять влияние ширины зонда на изображениях, полученных с помощью АСМ-микроскопа. Как сообщается в журнале Нано Буквы, Алгоритм превосходит другие методы в получении первых истинных трехмерных профилей поверхности с разрешением ниже ширины кончика зонда микроскопа.

«Точные профили высоты поверхности имеют решающее значение для разработки наноэлектроники, а также научных исследований материалов и биологических систем, а АСМ является ключевым методом, который может измерять профили неинвазивно», — сказал Инцзе Чжан, профессор материаловедения и инженерии Университета Иллинойса и руководитель проекта. «Мы продемонстрировали, как быть еще точнее и видеть объекты еще меньше, и мы показали, как можно использовать ИИ для преодоления, казалось бы, непреодолимого ограничения».

Часто методы микроскопии могут обеспечить только двумерные изображения, по сути предоставляя исследователям аэрофотоснимки поверхностей материалов. AFM предоставляет полные топографические карты, точно показывающие профили высот элементов поверхности. Эти трехмерные изображения получаются путем перемещения зонда по поверхности материала и измерения его вертикального отклонения.

Если особенности поверхности приближаются к размеру кончика зонда (около 10 нанометров), то их невозможно различить с помощью микроскопа, поскольку зонд становится слишком большим, чтобы «почувствовать» эти особенности. Микроскописты знали об этом ограничении на протяжении десятилетий, но исследователи Университета И. первыми предложили детерминистическое решение.

«Мы обратились к искусственному интеллекту и глубокому обучению, потому что хотели получить профиль высоты — точную шероховатость — без ограничений, присущих более традиционным математическим методам», — сказала Лалит Бонагири, аспирантка из группы Чжана и ведущий автор исследования.

Исследователи разработали алгоритм глубокого обучения с использованием структуры кодировщика-декодера. Сначала он «кодирует» необработанные изображения АСМ, разлагая их на абстрактные признаки. После того, как представлением объекта манипулируют для удаления нежелательных эффектов, оно затем «декодируется» обратно в узнаваемое изображение.

Чтобы обучить алгоритм, исследователи создали искусственные изображения трехмерных структур и смоделировали их показания АСМ. Затем был создан алгоритм для преобразования смоделированных АСМ-изображений с эффектами размера зонда и извлечения основных особенностей.

«На самом деле нам пришлось сделать что-то нестандартное, чтобы добиться этого», — сказал Бонагири. «Первым шагом типичной обработки изображений ИИ является изменение масштаба яркости и контрастности изображений по некоторому стандарту, чтобы упростить сравнение. Однако в нашем случае значимая часть — это абсолютная яркость и контрастность, поэтому нам пришлось сначала отказаться от этого. Это сделало проблему гораздо более сложной».

Чтобы проверить свой алгоритм, исследователи синтезировали наночастицы золота и палладия известных размеров на кремниевой основе. Алгоритм успешно устранил эффекты кончика зонда и правильно определил трехмерные особенности наночастиц.

«Мы доказали концепцию и показали, как использовать ИИ для значительного улучшения изображений АСМ, но эта работа — только начало», — сказал Чжан. «Как и все алгоритмы искусственного интеллекта, мы можем улучшить его, обучая на большем количестве и более качественных данных, но путь вперед ясен».