חוקרים מאוניברסיטת אילינוי אורבנה-שמפיין הציגו טכניקת בינה מלאכותית המשפרת משמעותית את מיקרוסקופ הכוח האטומי (AFM) בכך שהיא מאפשרת לה לדמיין תכונות חומריות קטנות מקצה הגשושית. פריצת דרך זו, המציעה את הפרופילים התלת מימדיים האמיתיים הראשונים מעבר למגבלות הרזולוציה המקובלות, מבטיחה לחולל מהפכה בפיתוח ננו-אלקטרוניקה ובמחקרי חומרים.
מיקרוסקופיה של כוח אטומי, או AFM, היא טכניקה בשימוש נרחב שיכולה למפות בצורה כמותית משטחי חומר בתלת מימד. עם זאת, הדיוק של AFM מוגבל על ידי גודל הבדיקה של המיקרוסקופ. טכניקת בינה מלאכותית חדשה פותחה כדי לעלות על מגבלה זו, המאפשרת למיקרוסקופים להשיג רזולוציה גבוהה יותר בניתוח החומר.
אלגוריתם הלמידה העמוקה שפותחה על ידי חוקרים מאוניברסיטת אילינוי אורבנה-שמפיין מאומן להסיר את ההשפעות של רוחב הבדיקה מתמונות מיקרוסקופ AFM. כפי שדווח בכתב העת אותיות ננו, האלגוריתם עולה על שיטות אחרות במתן פרופילי פני השטח התלת מימדיים האמיתיים הראשונים ברזולוציות מתחת לרוחב קצה הגשושית של המיקרוסקופ.
פריצת דרך בהדמיית משטח החומר
"פרופילי גובה משטח מדויקים הם חיוניים לפיתוח ננו-אלקטרוניקה, כמו גם למחקרים מדעיים של מערכות חומרים וביולוגיות, ו-AFM היא טכניקת מפתח שיכולה למדוד פרופילים בצורה לא פולשנית", אמר יינג'י ז'אנג, פרופסור למדעי החומרים והנדסה מטעם האיחוד האירופי. מוביל הפרויקט. "הדגמנו כיצד לדייק עוד יותר ולראות דברים קטנים עוד יותר, והראינו כיצד ניתן למנף בינה מלאכותית כדי להתגבר על מגבלה שנראית בלתי עבירה".
לעתים קרובות, טכניקות מיקרוסקופיה יכולות לספק רק תמונות דו-ממדיות, ובעצם מספקות לחוקרים תצלומי אוויר של משטחי חומר. AFM מספקת מפות טופוגרפיות מלאות המציגות במדויק את פרופילי הגובה של תכונות פני השטח. תמונות תלת מימד אלו מתקבלות על ידי הזזת בדיקה על פני החומר ומדידת הסטייה האנכית שלו.
תמונות AFM מעובדות על ידי אלגוריתם למידה עמוקה. העמודה השמאלית מכילה תמונות AFM מדומה, העמודה המרכזית מכילה תמונות שעובדו ושוחזרו על ידי האלגוריתם, והעמודה הימנית מכילה את התמונות המקוריות לפני הוספת אפקטי AFM. קרדיט: ננו לט. 2024, 24, 8, 2589–2595
אם תכונות פני השטח מתקרבות לגודל של קצה הגשושית – כ-10 ננומטר – אז הן לא ניתנות לפתרון במיקרוסקופ מכיוון שהבדיקה נעשית גדולה מכדי "להרגיש" את התכונות. מיקרוסקופים מודעים למגבלה זו במשך עשרות שנים, אך חוקרי U. of I. הם הראשונים לתת פתרון דטרמיניסטי.
"פנינו לבינה מלאכותית וללמידה עמוקה כי רצינו לקבל את פרופיל הגובה – החספוס המדויק – ללא המגבלות המובנות של שיטות מתמטיות קונבנציונליות יותר", אמרה ללית בונגירי, סטודנטית לתואר שני בקבוצתו של ג'אנג והמחברת הראשית של המחקר.
אלגוריתם הלמידה העמוקה
החוקרים פיתחו אלגוריתם למידה עמוקה עם מסגרת מקודד-מפענח. תחילה הוא "מקודד" תמונות AFM גולמיות על ידי פירוקן לתכונות מופשטות. לאחר מניפולציה של ייצוג התכונה כדי להסיר את ההשפעות הלא רצויות, הוא "מפוענח" בחזרה לתוך
תמונה מזוהה.
כדי לאמן את האלגוריתם, החוקרים יצרו תמונות מלאכותיות של מבנים תלת מימדיים ודימו את קריאות ה-AFM שלהם. לאחר מכן, האלגוריתם נבנה כדי להפוך את תמונות AFM המדומות עם אפקטים בגודל בדיקה ולחלץ את התכונות הבסיסיות.
"למעשה היינו צריכים לעשות משהו לא סטנדרטי כדי להשיג את זה", אמר בונאגירי. "השלב הראשון של עיבוד תמונה טיפוסי של AI הוא שינוי קנה המידה של הבהירות והניגודיות של התמונות מול תקן כלשהו כדי לפשט את ההשוואות. במקרה שלנו, עם זאת, הבהירות והניגודיות המוחלטת הם החלק בעל המשמעות, אז היינו צריכים לוותר על הצעד הראשון הזה. זה הפך את הבעיה להרבה יותר מאתגרת".
כדי לבדוק את האלגוריתם שלהם, החוקרים סינתזו ננו-חלקיקי זהב ופלדיום בעלי ממדים ידועים על מארח סיליקון. האלגוריתם הסיר בהצלחה את השפעות קצה הבדיקה וזיהה נכון את התכונות התלת מימדיות של הננו-חלקיקים.
"הבאנו הוכחה לקונספט והראנו כיצד להשתמש בבינה מלאכותית כדי לשפר באופן משמעותי תמונות AFM, אבל העבודה הזו היא רק ההתחלה", אמר ג'אנג. "כמו בכל אלגוריתמי הבינה המלאכותית, אנחנו יכולים לשפר אותו על ידי אימון על נתונים נוספים וטובים יותר, אבל הדרך קדימה ברורה."
הניסויים בוצעו במכון Carl R. Woese לביולוגיה גנומית ובמעבדה לחקר החומרים ב-U. of I.
התמיכה ניתנה על ידי הקרן הלאומית למדע וקרן ארנולד ומייבל בקמן.
