KI-Technik "entschlüsselt" Mikroskop-Bilder und überwindet fundamentale Grenze
"Wir haben ein Proof-of-Concept geliefert und gezeigt, wie man mit Hilfe von KI AFM-Bilder deutlich verbessern kann, aber diese Arbeit ist erst der Anfang"
Die Rasterkraftmikroskopie (AFM) ist eine weit verbreitete Technik, die Materialoberflächen in drei Dimensionen quantitativ abbilden kann, aber ihre Genauigkeit ist durch die Größe der Mikroskopsonde begrenzt. Eine neue KI-Technik überwindet diese Beschränkung und ermöglicht es Mikroskopen, Materialmerkmale aufzulösen, die kleiner sind als die Spitze der Sonde.
Der von Forschern der University of Illinois Urbana-Champaign entwickelte Deep-Learning-Algorithmus ist darauf trainiert, die Auswirkungen der Sondenbreite aus AFM-Mikroskopbildern zu entfernen. Wie in der Fachzeitschrift Nano Letters berichtet wird , übertrifft der Algorithmus andere Methoden, indem er die ersten echten dreidimensionalen Oberflächenprofile bei Auflösungen unterhalb der Breite der Mikroskopspitze liefert.
"Genaue Oberflächenhöhenprofile sind für die Entwicklung der Nanoelektronik sowie für wissenschaftliche Untersuchungen von Materialien und biologischen Systemen von entscheidender Bedeutung, und das AFM ist eine Schlüsseltechnik, mit der Profile nichtinvasiv gemessen werden können", sagte Yingjie Zhang, Professor für Materialwissenschaft und Ingenieurwesen an der U.I. und Leiter des Projekts. "Wir haben gezeigt, wie wir noch präziser sein und Dinge sehen können, die noch kleiner sind, und wir haben gezeigt, wie KI genutzt werden kann, um eine scheinbar unüberwindbare Einschränkung zu überwinden."
Mikroskopietechniken können oft nur zweidimensionale Bilder liefern, die den Forschern im Wesentlichen Luftaufnahmen von Materialoberflächen liefern. AFM liefert vollständige topografische Karten, die die Höhenprofile der Oberflächenmerkmale genau zeigen. Diese dreidimensionalen Bilder erhält man, indem man eine Sonde über die Oberfläche des Materials bewegt und ihre vertikale Auslenkung misst.
Wenn sich Oberflächenmerkmale der Größe der Sondenspitze nähern - etwa 10 Nanometer -, können sie vom Mikroskop nicht mehr aufgelöst werden, weil die Sonde zu groß wird, um die Merkmale "abzutasten". Mikroskopiker sind sich dieser Einschränkung schon seit Jahrzehnten bewusst, aber die Forscher der U.I. sind die ersten, die eine deterministische Lösung anbieten.
"Wir haben uns an KI und Deep Learning gewandt, weil wir das Höhenprofil - die exakte Rauheit - ohne die inhärenten Einschränkungen konventioneller mathematischer Methoden erhalten wollten", so Lalith Bonagiri, Doktorand in Zhangs Gruppe und Hauptautor der Studie.
Die Forscher entwickelten einen Deep-Learning-Algorithmus mit einem Encoder-Decoder-Rahmen. Er "kodiert" zunächst AFM-Rohbilder, indem er sie in abstrakte Merkmale zerlegt. Nachdem die Merkmalsdarstellung manipuliert wurde, um unerwünschte Effekte zu entfernen, wird sie anschließend wieder in ein erkennbares Bild "decodiert".
Um den Algorithmus zu trainieren, erzeugten die Forscher künstliche Bilder von dreidimensionalen Strukturen und simulierten deren AFM-Auslesungen. Der Algorithmus wurde dann so konstruiert, dass er die simulierten AFM-Bilder mit Effekten der Sondengröße transformiert und die zugrunde liegenden Merkmale extrahiert.
"Um dies zu erreichen, mussten wir etwas Ungewöhnliches tun", sagte Bonagiri. "Der erste Schritt einer typischen KI-Bildverarbeitung besteht darin, die Helligkeit und den Kontrast der Bilder anhand eines Standards zu skalieren, um Vergleiche zu vereinfachen. In unserem Fall sind jedoch die absolute Helligkeit und der absolute Kontrast der Teil, der von Bedeutung ist, so dass wir auf diesen ersten Schritt verzichten mussten. Das machte das Problem viel schwieriger.
Um ihren Algorithmus zu testen, synthetisierten die Forscher Gold- und Palladium-Nanopartikel mit bekannten Abmessungen auf einem Siliziumträger. Der Algorithmus entfernte erfolgreich die Effekte der Sondenspitze und identifizierte die dreidimensionalen Merkmale der Nanopartikel korrekt.
"Wir haben ein Proof-of-Concept geliefert und gezeigt, wie man mit KI AFM-Bilder deutlich verbessern kann, aber diese Arbeit ist erst der Anfang", so Zhang. "Wie bei allen KI-Algorithmen können wir sie verbessern, indem wir sie mit mehr und besseren Daten trainieren, aber der Weg nach vorn ist klar."
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Analytik- und Labortechnik-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für Analytik und Labortechnik bringt Sie jeden Dienstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
