新型AI技术打破了原子力材料表面成像技术的基本限制

原子力显微镜（AFM）是一种广泛使用的技术，可以定量绘制材料表面的三维图。然而，原子力显微镜的精度受到显微镜探针尺寸的限制。为了突破这一限制，我们开发了一种新型人工智能技术，使显微镜在材料分析中达到更高的分辨率。

伊利诺伊大学香槟分校的研究人员开发的深度学习算法经过训练，可以从原子力显微镜图像中去除探针宽度的影响。据《纳米快报 》（Nano Letters）杂志报道， 该算法超越了其他方法，首次以低于显微镜探针尖端宽度的分辨率给出了真正的三维表面轮廓。

材料表面成像技术的突破

"精确的表面高度轮廓对于纳米电子学的开发以及材料和生物系统的科学研究至关重要，而原子力显微镜是一种能够无创测量轮廓的关键技术，"该项目负责人、工大材料科学与工程系教授张英杰说。"我们已经展示了如何更加精确地观察更小的东西，我们也展示了如何利用人工智能来克服看似无法克服的限制。"

显微镜技术通常只能提供二维图像，基本上只能为研究人员提供材料表面的航拍照片。原子力显微镜可提供完整的地形图，准确显示表面特征的高度剖面。这些三维图像是通过在材料表面移动探针并测量其垂直偏转而获得的。

经深度学习算法处理的原子力显微镜图像。左列包含模拟的原子力显微镜图像，中间一列包含经过算法处理和重建的图像，右列包含添加原子力显微镜效应之前的原始图像。来源：Nano Lett.

如果表面特征接近探针尖端的大小（约 10 纳米），显微镜就无法分辨，因为探针变得太大，无法"感觉"出这些特征。几十年来，显微镜学家们一直意识到这一局限性，但伊利诺伊大学的研究人员是第一个给出确定性解决方案的人。

"我们之所以求助于人工智能和深度学习，是因为我们想获得高度剖面--精确的粗糙度--而不受传统数学方法的固有限制。"

研究人员开发了一种具有编码器-解码器框架的深度学习算法。它首先通过将原始原子力显微镜图像分解为抽象特征对其进行"编码"。在对特征表示进行处理以消除不良影响后，再将其"解码"回可识别的图像。

为了训练该算法，研究人员生成了三维结构的人工图像，并模拟了它们的原子力显微镜读数。然后构建算法，利用探针尺寸效应转换模拟原子力显微镜图像，并提取基本特征。

博纳吉里说："实际上，我们必须做一些非标准的事情才能做到这一点。典型的人工智能图像处理的第一步是根据某个标准重新调整图像的亮度和对比度，以简化比较。但在我们的案例中，绝对亮度和对比度才是有意义的部分，因此我们不得不放弃第一步。这让问题变得更具挑战性。"

为了测试他们的算法，研究人员在硅主机上合成了已知尺寸的金和钯纳米粒子。该算法成功消除了探针尖端效应，并正确识别了纳米粒子的三维特征。

张说："我们已经给出了概念验证，并展示了如何使用人工智能来显著改善原子力显微镜图像，但这项工作仅仅是个开始。与所有人工智能算法一样，我们可以通过在更多更好的数据上进行训练来改进它，但前进的道路是明确的。"

编译自：ScitechDaily