AI-techniek ‘decodeert’ microscoopbeelden en overwint daarmee de fundamentele limiet

Atoomkrachtmicroscopie, of AFM, is een veelgebruikte techniek die materiaaloppervlakken in drie dimensies kwantitatief in kaart kan brengen, maar de nauwkeurigheid ervan wordt beperkt door de grootte van de sonde van de microscoop. Een nieuwe AI-techniek overwint deze beperking en stelt microscopen in staat materiaalkenmerken op te lossen die kleiner zijn dan de punt van de sonde.

Het deep learning-algoritme, ontwikkeld door onderzoekers van de Urbana-Champaign van de Universiteit van Illinois, is getraind om de effecten van de breedte van de sonde uit AFM-microscoopbeelden te verwijderen. Als gemeld in het journaal Nano-brieven, het algoritme overtreft andere methoden bij het geven van de eerste echte driedimensionale oppervlakteprofielen bij resoluties onder de breedte van de microscoopsondepunt.

“Nauwkeurige oppervlaktehoogteprofielen zijn cruciaal voor de ontwikkeling van nano-elektronica en voor wetenschappelijke studies van materiële en biologische systemen, en AFM is een sleuteltechniek die profielen op niet-invasieve wijze kan meten”, zegt Yingjie Zhang, hoogleraar materiaalkunde en techniek aan de Universiteit van I. de projectleider. “We hebben laten zien hoe we nog preciezer kunnen zijn en dingen kunnen zien die nog kleiner zijn, en we hebben laten zien hoe AI kan worden ingezet om een ​​schijnbaar onoverkomelijke beperking te overwinnen.”

Vaak kunnen microscopietechnieken alleen tweedimensionale beelden opleveren, waardoor onderzoekers in wezen luchtfoto’s van materiële oppervlakken krijgen. AFM biedt volledige topografische kaarten die nauwkeurig de hoogteprofielen van de oppervlaktekenmerken weergeven. Deze driedimensionale beelden worden verkregen door een sonde over het oppervlak van het materiaal te bewegen en de verticale afbuiging ervan te meten.

Als oppervlaktekenmerken de grootte van de punt van de sonde benaderen (ongeveer 10 nanometer), kunnen ze niet door de microscoop worden opgelost omdat de sonde te groot wordt om de kenmerken te ‘voelen’. Microscopisten zijn zich al tientallen jaren bewust van deze beperking, maar de Amerikaanse onderzoekers zijn de eersten die met een deterministische oplossing komen.

“We hebben ons tot AI en deep learning gewend omdat we het hoogteprofiel wilden verkrijgen – de exacte ruwheid – zonder de inherente beperkingen van meer conventionele wiskundige methoden”, zegt Lalith Bonagiri, een afgestudeerde student in de groep van Zhang en hoofdauteur van het onderzoek.

De onderzoekers ontwikkelden een deep learning-algoritme met een encoder-decoder-framework. Het “codeert” eerst onbewerkte AFM-beelden door ze op te splitsen in abstracte kenmerken. Nadat de kenmerkrepresentatie is gemanipuleerd om de ongewenste effecten te verwijderen, wordt deze vervolgens weer “gedecodeerd” in een herkenbaar beeld.

Om het algoritme te trainen, genereerden de onderzoekers kunstmatige beelden van driedimensionale structuren en simuleerden ze hun AFM-uitlezingen. Het algoritme werd vervolgens geconstrueerd om de gesimuleerde AFM-beelden te transformeren met effecten op sondegrootte en de onderliggende kenmerken te extraheren.

“We moesten eigenlijk iets niet-standaards doen om dit te bereiken”, zei Bonagiri. “De eerste stap van de typische AI-beeldverwerking is het herschalen van de helderheid en het contrast van de afbeeldingen volgens een bepaalde standaard om vergelijkingen te vereenvoudigen. In ons geval zijn de absolute helderheid en het contrast echter het deel dat betekenisvol is, dus daar moesten we eerst van afzien stap. Dat maakte het probleem veel uitdagender.’

Om hun algoritme te testen synthetiseerden de onderzoekers goud- en palladium-nanodeeltjes met bekende afmetingen op een siliciumgastheer. Het algoritme verwijderde met succes de effecten van de sondetip en identificeerde correct de driedimensionale kenmerken van de nanodeeltjes.

“We hebben een proof-of-concept gegeven en laten zien hoe we AI kunnen gebruiken om AFM-beelden aanzienlijk te verbeteren, maar dit werk is nog maar het begin”, zei Zhang. “Zoals met alle AI-algoritmen kunnen we het verbeteren door het te trainen op meer en betere data, maar de weg voorwaarts is duidelijk.”