Atomkraftsmikroskopi, eller AFM, är en mycket använd teknik som kvantitativt kan kartlägga materialytor i tre dimensioner, men dess noggrannhet begränsas av storleken på mikroskopets sond. En ny AI-teknik övervinner denna begränsning och tillåter mikroskop att lösa materialdetaljer som är mindre än sondens spets.

Algoritmen för djupinlärning som utvecklats av forskare vid University of Illinois Urbana-Champaign är utbildad för att ta bort effekterna av sondens bredd från AFM-mikroskopbilder. Som rapporterats i tidskriften Nano Letters, Algoritmen överträffar andra metoder för att ge de första riktiga tredimensionella ytprofilerna vid upplösningar under bredden på mikroskopsondens spets.

"Exakta ythöjdsprofiler är avgörande för utvecklingen av nanoelektronik såväl som vetenskapliga studier av material och biologiska system, och AFM är en nyckelteknik som kan mäta profiler på ett icke-invasivt sätt", säger Yingjie Zhang, professor i materialvetenskap och teknik från U. of I. och projektledaren. "Vi har visat hur man kan vara ännu mer exakt och se saker som är ännu mindre, och vi har visat hur AI kan utnyttjas för att övervinna en till synes oöverstiglig begränsning."

Ofta kan mikroskopitekniker bara ge tvådimensionella bilder, vilket i huvudsak ger forskare flygfoton av materialytor. AFM tillhandahåller fullständiga topografiska kartor som exakt visar höjdprofilerna för ytegenskaperna. Dessa tredimensionella bilder erhålls genom att flytta en sond över materialets yta och mäta dess vertikala avböjning.

Om ytegenskaper närmar sig storleken på sondens spets - cirka 10 nanometer - kan de inte lösas med mikroskopet eftersom sonden blir för stor för att "känna ut" funktionerna. Mikroskopister har varit medvetna om denna begränsning i årtionden, men U. of I.-forskarna är de första som ger en deterministisk lösning.

"Vi vände oss till AI och djupinlärning eftersom vi ville få höjdprofilen – den exakta grovheten – utan de inneboende begränsningarna hos mer konventionella matematiska metoder", säger Lalith Bonagiri, doktorand i Zhangs grupp och studiens huvudförfattare.

Forskarna utvecklade en algoritm för djupinlärning med ett ramverk för encoder-decoder. Den "kodar" först råa AFM-bilder genom att sönderdela dem till abstrakta funktioner. Efter att funktionsrepresentationen har manipulerats för att ta bort de oönskade effekterna, "avkodas" den sedan tillbaka till en igenkännbar bild.

För att träna algoritmen genererade forskarna artificiella bilder av tredimensionella strukturer och simulerade deras AFM-avläsningar. Algoritmen konstruerades sedan för att transformera de simulerade AFM-bilderna med effekter av probstorlek och extrahera de underliggande funktionerna.

"Vi var faktiskt tvungna att göra något icke-standardiserat för att uppnå detta," sa Bonagiri. "Det första steget i typisk AI-bildbehandling är att skala om bildernas ljusstyrka och kontrast mot någon standard för att förenkla jämförelser. I vårt fall är dock den absoluta ljusstyrkan och kontrasten den del som är meningsfull, så vi var tvungna att avstå från det först Det gjorde problemet mycket mer utmanande."

För att testa sin algoritm syntetiserade forskarna guld- och palladiumnanopartiklar med kända dimensioner på en kiselvärd. Algoritmen tog bort sondspetseffekterna och identifierade korrekt de tredimensionella egenskaperna hos nanopartiklarna.

"Vi har gett ett proof-of-concept och visat hur man använder AI för att avsevärt förbättra AFM-bilder, men det här arbetet är bara början," sa Zhang. "Som med alla AI-algoritmer kan vi förbättra den genom att träna den på mer och bättre data, men vägen framåt är tydlig."

Mer information: Lalith Krishna Samanth Bonagiri et al, Precise Surface Profiling at the Nanoscale Enabled by Deep Learning, Nano Letters (2024). DOI:10.1021/acs.nanolett.3c04712

Tillhandahålls av University of Illinois Grainger College of Engineering