Teknologi AI “mendekode” mikroskop

Artikel ini telah ditinjau sesuai dengan proses dan kebijakan editorial Science X. Para editor telah menekankan atribut berikut sambil memastikan kredibilitas konten:

fakta diverifikasi

sumber terpercaya

membenarkan

OKE! Kredit: Surat Nano (2024). DOI: 10.1021/acs.nanolett.3c04712

× tutup

Kredit: Surat Nano (2024). DOI: 10.1021/acs.nanolett.3c04712

Mikroskop gaya atom, atau AFM, adalah teknik yang banyak digunakan yang dapat memetakan permukaan material secara kuantitatif dalam tiga dimensi, namun akurasinya dibatasi oleh ukuran probe mikroskop. Teknik kecerdasan buatan baru mengatasi keterbatasan ini, memungkinkan mikroskop membedakan fitur material yang lebih kecil dari ujung probe.

Algoritme pembelajaran mendalam yang dikembangkan oleh para peneliti di Universitas Illinois Urbana-Champaign dilatih untuk menghilangkan efek lebar probe dari gambar mikroskop AFM. Seperti dilaporkan dalam jurnal Nano Letters, algoritme ini mengungguli metode lain dalam memberikan profil permukaan tiga dimensi pertama yang sebenarnya pada resolusi di bawah lebar ujung probe mikroskop.

“Profil ketinggian permukaan yang tepat adalah kunci bagi pengembangan nanoelektronik serta studi ilmiah tentang material dan sistem biologis, dan AFM adalah teknik utama yang dapat mengukur profil secara non-invasif,” kata Yingjie Zhang, seorang profesor di Universitas I. sains dan teknik yang memimpin proyek tersebut. “Kami telah menunjukkan bagaimana menjadi lebih presisi dan melihat hal-hal yang lebih kecil lagi, dan kami telah menunjukkan bagaimana AI dapat digunakan untuk mengatasi keterbatasan yang tampaknya tidak dapat diatasi.”

Teknik mikroskopis seringkali hanya dapat memberikan gambar dua dimensi, yang pada dasarnya memberikan peneliti foto udara dari permukaan material. AFM menyediakan peta topografi lengkap yang secara akurat menggambarkan profil ketinggian fitur permukaan. Gambar tiga dimensi ini diperoleh dengan menggerakkan probe di atas permukaan material dan mengukur defleksi vertikalnya.

Jika fitur permukaan mendekati ukuran ujung probe – sekitar 10 nanometer – maka mikroskop tidak dapat membedakannya karena probe terlalu besar untuk “merasakan” fitur tersebut. Para ahli mikroskop telah menyadari keterbatasan ini selama beberapa dekade, namun peneliti dari Universitas I. adalah yang pertama memberikan solusi deterministik.

“Kami beralih ke AI dan pembelajaran mendalam karena kami ingin mendapatkan profil tinggi badan – kekasaran yang tepat – tanpa batasan yang melekat pada metode matematika konvensional,” kata Lalith Bonagiri, mahasiswa pascasarjana di kelompok Zhang dan penulis utama studi tersebut. .

Para peneliti mengembangkan algoritma pembelajaran mendalam dengan kerangka encoder-decoder. Pertama-tama “mengkodekan” gambar AFM mentah dengan menguraikannya menjadi elemen abstrak. Setelah representasi elemen dimanipulasi untuk menghilangkan efek yang tidak diinginkan, elemen tersebut kemudian “didekode” kembali menjadi gambar yang dapat dikenali.

Untuk melatih algoritme, para peneliti membuat gambar buatan dari struktur tiga dimensi dan mensimulasikan nilai AFMnya. Sebuah algoritma kemudian dibangun untuk mengubah gambar AFM simulasi menggunakan efek ukuran probe dan mengekstrak fitur-fitur penting.

“Kami sebenarnya harus melakukan sesuatu yang luar biasa untuk mencapai hal ini,” kata Bonagiri. “Langkah pertama dalam pemrosesan gambar AI pada umumnya adalah menskalakan kecerahan dan kontras gambar terhadap beberapa standar untuk mempermudah perbandingan. Namun dalam kasus kami, bagian kecerahan dan kontras absolut sangat berarti, jadi kami harus menghilangkannya terlebih dahulu. membuat masalahnya jauh lebih menantang.”

Untuk menguji algoritme mereka, para peneliti mensintesis nanopartikel emas dan paladium dengan dimensi yang diketahui pada inang silikon. Algoritma ini berhasil menghilangkan efek ujung probe dan mengidentifikasi fitur tiga dimensi nanopartikel dengan benar.

“Kami telah memberikan bukti konsep dan menunjukkan cara menggunakan AI untuk meningkatkan pencitraan AFM secara signifikan, namun pekerjaan ini hanyalah permulaan,” kata Zhang. “Seperti semua algoritma AI, kami dapat memperbaikinya dengan melatih mereka menggunakan data yang lebih banyak dan lebih baik, namun jalan ke depan sudah jelas.”

Informasi lebih lanjut:
Lalith Krishna Samanth Bonagiri dkk., Profil Permukaan Presisi Skala Nano Diaktifkan oleh Pembelajaran Mendalam, Nano Letters (2024). DOI: 10.1021/acs.nanolett.3c04712