Ett australiensiskt-tyskt samarbete har visat på helt självständig SPM-drift, tillämpa artificiell intelligens och djupinlärning för att ta bort behovet av konstant mänsklig övervakning.

Det nya systemet, dubbad DeepSPM, överbryggar klyftan mellan nanovetenskap, automation och artificiell intelligens (AI), och slår fast användningen av maskininlärning för experimentell vetenskaplig forskning.

"Att optimera SPM-datainsamling kan vara mycket tråkigt. Denna optimeringsprocessen utförs vanligtvis av den mänskliga experimentalisten, och rapporteras sällan, " säger FLEET chefsutredare Dr. Agustin Schiffrin (Monash University).

"Vårt nya AI-drivna system kan arbeta och förvärva optimal SPM-data autonomt, under flera raka dagar, och utan mänsklig övervakning."

Framgången för avancerade SPM-metoder såsom atomärt exakt nanotillverkning och datainsamling med hög genomströmning närmare en helt automatiserad nyckelfärdig applikation.

Den nya djupinlärningsmetoden kan generaliseras till andra SPM-tekniker. Forskarna har gjort hela ramverket allmänt tillgängligt online som öppen källkod, skapa en viktig resurs för det nanovetenskapliga forskarsamhället.

Helt autonom DeepSPM

"Avgörande för framgången med DeepSPM är användningen av en självlärande agent, eftersom de korrekta styringångarna inte är kända i förväg, " säger Dr Cornelius Krull, projektmedledare.

"Lära sig av erfarenhet, vår agent anpassar sig till förändrade experimentella förhållanden och hittar en strategi för att hålla systemet stabilt, " säger Dr Krull, som arbetar med Dr Shiffrin vid Monash School of Physics and Astronomy.

Det AI-drivna systemet börjar med en algoritmisk sökning av de bästa provregionerna och fortsätter med autonom datainsamling.

Den använder sedan ett konvolutionellt neuralt nätverk för att bedöma kvaliteten på data. Om kvaliteten på uppgifterna inte är bra, DeepSPM använder ett djupförstärkande inlärningsmedel för att förbättra probens tillstånd.

DeepSPM kan köras i flera dagar, samla in och bearbeta data kontinuerligt, samtidigt som man hanterar SPM-parametrar som svar på varierande experimentella förhållanden, utan tillsyn.

Studien visar helt autonom, långvarig SPM-drift för första gången genom att kombinera:

• ett algoritmiskt tillvägagångssätt för urval av urvalsområde och SPM-datainsamling;
• övervakad maskininlärning med hjälp av konvolutionella neurala nätverk för kvalitetsbedömning och klassificering av SPM-data, och
• djup förstärkningsinlärning för dynamisk automatiserad in-situ sondhantering och konditionering.

Artificiell intelligens-driven skanningssondmikroskopi publicerades i Kommunikationsfysik i mars 2020.