La microscopie à force atomique, ou AFM, est une technique largement utilisée qui permet de cartographier quantitativement des surfaces matérielles en trois dimensions, mais sa précision est limitée par la taille de la sonde du microscope. Une nouvelle technique d’IA surmonte cette limitation et permet aux microscopes de résoudre des caractéristiques matérielles plus petites que la pointe de la sonde.
L’algorithme d’apprentissage profond développé par des chercheurs de l’Université de l’Illinois à Urbana-Champaign est formé pour supprimer les effets de la largeur de la sonde des images du microscope AFM. Comme signalé dans la revue Nano lettres, l’algorithme surpasse les autres méthodes en donnant les premiers vrais profils de surface tridimensionnels à des résolutions inférieures à la largeur de la pointe de la sonde du microscope.
« Des profils précis de hauteur de surface sont cruciaux pour le développement de la nanoélectronique ainsi que pour les études scientifiques des matériaux et des systèmes biologiques, et l’AFM est une technique clé qui peut mesurer les profils de manière non invasive », a déclaré Yingjie Zhang, professeur de science et d’ingénierie des matériaux à l’Université d’I. le chef de projet. « Nous avons démontré comment être encore plus précis et voir des choses encore plus petites, et nous avons montré comment l’IA peut être exploitée pour surmonter une limitation apparemment insurmontable. »
Souvent, les techniques de microscopie ne peuvent fournir que des images bidimensionnelles, fournissant essentiellement aux chercheurs des photographies aériennes de surfaces matérielles. L’AFM fournit des cartes topographiques complètes montrant avec précision les profils de hauteur des éléments de surface. Ces images tridimensionnelles sont obtenues en déplaçant une sonde sur la surface du matériau et en mesurant sa déviation verticale.
Si les caractéristiques de la surface approchent la taille de la pointe de la sonde (environ 10 nanomètres), elles ne peuvent alors pas être résolues au microscope car la sonde devient trop grande pour « palper » les caractéristiques. Les microscopistes sont conscients de cette limitation depuis des décennies, mais les chercheurs de l’Université d’Island sont les premiers à proposer une solution déterministe.
« Nous nous sommes tournés vers l’IA et l’apprentissage profond parce que nous voulions obtenir le profil de hauteur, la rugosité exacte, sans les limitations inhérentes aux méthodes mathématiques plus conventionnelles », a déclaré Lalith Bonagiri, étudiante diplômée du groupe de Zhang et auteur principal de l’étude.
Les chercheurs ont développé un algorithme d’apprentissage en profondeur avec un cadre codeur-décodeur. Il « code » d’abord les images AFM brutes en les décomposant en fonctionnalités abstraites. Une fois que la représentation des caractéristiques a été manipulée pour supprimer les effets indésirables, elle est ensuite « décodée » en une image reconnaissable.
Pour entraîner l’algorithme, les chercheurs ont généré des images artificielles de structures tridimensionnelles et simulé leurs lectures AFM. L’algorithme a ensuite été construit pour transformer les images AFM simulées avec des effets de taille de sonde et extraire les caractéristiques sous-jacentes.
« Nous avons dû faire quelque chose de non standard pour y parvenir », a déclaré Bonagiri. « La première étape du traitement d’image typique de l’IA consiste à redimensionner la luminosité et le contraste des images par rapport à une norme pour simplifier les comparaisons. Dans notre cas, cependant, la luminosité et le contraste absolus sont la partie qui a du sens, nous avons donc dû y renoncer en premier. étape. Cela a rendu le problème beaucoup plus difficile.
Pour tester leur algorithme, les chercheurs ont synthétisé des nanoparticules d’or et de palladium de dimensions connues sur un hôte en silicium. L’algorithme a réussi à supprimer les effets de la pointe de la sonde et à identifier correctement les caractéristiques tridimensionnelles des nanoparticules.
« Nous avons donné une preuve de concept et montré comment utiliser l’IA pour améliorer considérablement les images AFM, mais ce travail n’est qu’un début », a déclaré Zhang. « Comme pour tous les algorithmes d’IA, nous pouvons l’améliorer en l’entraînant sur des données plus nombreuses et de meilleure qualité, mais la voie à suivre est claire. »
Plus d’information:
Lalith Krishna Samanth Bonagiri et al, Profilage de surface précis à l’échelle nanométrique activé par l’apprentissage profond, Lettres nano (2024). DOI : 10.1021/acs.nanolett.3c04712