La microscopia a forza atomica, o AFM, è una tecnica ampiamente utilizzata in grado di mappare quantitativamente le superfici dei materiali in tre dimensioni, ma la sua precisione è limitata dalle dimensioni della sonda del microscopio. Una nuova tecnica di intelligenza artificiale supera questa limitazione e consente ai microscopi di individuare caratteristiche del materiale più piccole della punta della sonda.
L'algoritmo di deep learning sviluppato dai ricercatori dell'Università dell'Illinois Urbana-Champaign è addestrato per rimuovere gli effetti della larghezza della sonda dalle immagini del microscopio AFM. Come riportato nella rivista Nano Letters, l'algoritmo supera altri metodi nel fornire i primi veri profili di superficie tridimensionali a risoluzioni inferiori alla larghezza della punta della sonda del microscopio.
"Profili accurati dell'altezza della superficie sono fondamentali per lo sviluppo della nanoelettronica e per gli studi scientifici sui materiali e sui sistemi biologici, e l'AFM è una tecnica chiave in grado di misurare i profili in modo non invasivo", ha affermato Yingjie Zhang, professore di scienza e ingegneria dei materiali dell'Università di I. il responsabile del progetto. "Abbiamo dimostrato come essere ancora più precisi e vedere cose ancora più piccole, e come sfruttare l'intelligenza artificiale per superare un limite apparentemente insormontabile."
Spesso, le tecniche di microscopia possono fornire solo immagini bidimensionali, fornendo essenzialmente ai ricercatori fotografie aeree di superfici materiali. AFM fornisce mappe topografiche complete che mostrano accuratamente i profili altimetrici delle caratteristiche della superficie. Queste immagini tridimensionali si ottengono spostando una sonda sulla superficie del materiale e misurandone la deflessione verticale.
Se le caratteristiche della superficie si avvicinano alle dimensioni della punta della sonda, circa 10 nanometri, allora non possono essere risolte dal microscopio perché la sonda diventa troppo grande per "sentire" le caratteristiche. I microscopisti sono consapevoli di questa limitazione da decenni, ma i ricercatori dell'Università di I. sono i primi a dare una soluzione deterministica.
"Ci siamo rivolti all'intelligenza artificiale e al deep learning perché volevamo ottenere il profilo dell'altezza, ovvero l'esatta rugosità, senza le limitazioni intrinseche dei metodi matematici più convenzionali", ha affermato Lalith Bonagiri, una studentessa laureata del gruppo di Zhang e autrice principale dello studio.
I ricercatori hanno sviluppato un algoritmo di deep learning con un framework codificatore-decodificatore. Innanzitutto "codifica" le immagini AFM grezze scomponendole in caratteristiche astratte. Dopo che la rappresentazione della caratteristica è stata manipolata per rimuovere gli effetti indesiderati, viene quindi "decodificata" nuovamente in un'immagine riconoscibile.
Per addestrare l'algoritmo, i ricercatori hanno generato immagini artificiali di strutture tridimensionali e hanno simulato le loro letture AFM. L'algoritmo è stato quindi costruito per trasformare le immagini AFM simulate con effetti di dimensione della sonda ed estrarre le caratteristiche sottostanti.
"In realtà abbiamo dovuto fare qualcosa di non standard per raggiungere questo obiettivo", ha detto Bonagiri. "Il primo passo dell'elaborazione tipica delle immagini AI è ridimensionare la luminosità e il contrasto delle immagini rispetto ad alcuni standard per semplificare i confronti. Nel nostro caso, però, la luminosità e il contrasto assoluti sono la parte significativa, quindi abbiamo dovuto rinunciarvi prima passaggio. Ciò ha reso il problema molto più impegnativo."
Per testare il loro algoritmo, i ricercatori hanno sintetizzato nanoparticelle di oro e palladio con dimensioni note su un ospite di silicio. L'algoritmo ha rimosso con successo gli effetti della punta della sonda e ha identificato correttamente le caratteristiche tridimensionali delle nanoparticelle.
"Abbiamo fornito una prova di concetto e mostrato come utilizzare l'intelligenza artificiale per migliorare significativamente le immagini AFM, ma questo lavoro è solo l'inizio", ha affermato Zhang. "Come tutti gli algoritmi di intelligenza artificiale, possiamo migliorarlo addestrandolo su dati più numerosi e migliori, ma la strada da seguire è chiara."
Ulteriori informazioni: Lalith Krishna Samanth Bonagiri et al, Profilatura precisa della superficie su scala nanometrica resa possibile dal deep learning, Nano lettere (2024). DOI:10.1021/acs.nanolett.3c04712
Fornito dall'Università dell'Illinois Grainger College of Engineering
