ИИ преодолевает ограничения микроскопии: революция в изображениях

Атомно-силовая микроскопия, или АСМ, является широко используемой техникой, которая может количественно картировать поверхности материалов в трех измерениях. Однако точность этого метода ограничивается размером зонда микроскопа. Новая техника искусственного интеллекта преодолевает это ограничение, позволяя микроскопам изучать детали материала меньше, чем кончик зонда.

Разработанный исследователями из Университета Иллинойс в Урбана-Шампейн алгоритм глубокого обучения может удалять эффекты ширины зонда из изображений АСМ. Алгоритм превосходит другие методы, предоставляя первые истинные трехмерные профили поверхности с разрешением ниже ширины кончика зонда микроскопа.

Точные профили высоты поверхности критически важны для развития наноэлектроники, а также для научных исследований материальных и биологических систем. АСМ является ключевой техникой, которая может измерять профили ненавязчиво. Мы показали, как быть еще более точными и видеть еще более мелкие детали, а также как ИИ может быть использован для преодоления казалось бы непреодолимого ограничения,

сказал Индзи Чжан, профессор материаловедения и инженерии в U. of I. и руководитель проекта.

Часто техники микроскопии могут предоставлять только двумерные изображения, по сути давая исследователям аэрофотоснимки поверхностей материалов. АСМ предоставляет полные топографические карты, точно показывающие профили высоты поверхностных особенностей. 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 — они не могут быть разрешены микроскопом, поскольку зонд становится слишком крупным для «прощупывания» деталей. Микроскописты десятилетиями были осведомлены об этом ограничении, но исследователи из U. of I. первыми предложили детерминированное решение. 

Исследователи разработали алгоритм глубокого обучения с фреймворком кодировщика-декодировщика. Сначала он «кодирует» сырые изображения АСМ, разлагая их на абстрактные особенности. После манипуляции с представлением особенности для удаления нежелательных эффектов, оно затем «декодируется» обратно в узнаваемое изображение.

Для обучения алгоритма исследователи создали искусственные изображения трехмерных структур и симулировали их АСМ-считывания. Затем алгоритм был сконструирован так, чтобы преобразовывать симулированные АСМ-изображения с эффектами размера зонда и извлекать лежащие в основе особенности.

Для проверки своего алгоритма исследователи синтезировали наночастицы золота и палладия с известными размерами на кремниевой основе. Алгоритм успешно удалил эффекты кончика зонда и правильно идентифицировал трехмерные особенности наночастиц.