La microscopía de fuerza atómica, o AFM, es una técnica ampliamente utilizada que puede mapear cuantitativamente superficies de materiales en tres dimensiones, pero su precisión está limitada por el tamaño de la sonda del microscopio. Una nueva técnica de IA supera esta limitación y permite que los microscopios resuelvan características del material más pequeñas que la punta de la sonda.
El algoritmo de aprendizaje profundo desarrollado por investigadores de la Universidad de Illinois Urbana-Champaign está entrenado para eliminar los efectos del ancho de la sonda de las imágenes del microscopio AFM. Como se informó en la revista Nano Letters, el algoritmo supera a otros métodos al proporcionar los primeros perfiles de superficie tridimensionales verdaderos con resoluciones inferiores al ancho de la punta de la sonda del microscopio.
"Los perfiles precisos de altura de la superficie son cruciales para el desarrollo de la nanoelectrónica, así como para los estudios científicos de materiales y sistemas biológicos, y el AFM es una técnica clave que puede medir perfiles de forma no invasiva", dijo Yingjie Zhang, profesora de ciencia e ingeniería de materiales de la U. de I. el líder del proyecto. "Hemos demostrado cómo ser aún más precisos y ver cosas aún más pequeñas, y hemos demostrado cómo se puede aprovechar la IA para superar una limitación aparentemente insuperable".
A menudo, las técnicas de microscopía sólo pueden proporcionar imágenes bidimensionales, esencialmente proporcionando a los investigadores fotografías aéreas de superficies materiales. AFM proporciona mapas topográficos completos que muestran con precisión los perfiles de altura de las características de la superficie. Estas imágenes tridimensionales se obtienen moviendo una sonda a través de la superficie del material y midiendo su deflexión vertical.
Si las características de la superficie se acercan al tamaño de la punta de la sonda (aproximadamente 10 nanómetros), entonces no pueden ser resueltas por el microscopio porque la sonda se vuelve demasiado grande para "sentir" las características. Los microscopistas han sido conscientes de esta limitación durante décadas, pero los investigadores de la U. de I. son los primeros en dar una solución determinista.
"Recurrimos a la IA y al aprendizaje profundo porque queríamos obtener el perfil de altura (la rugosidad exacta) sin las limitaciones inherentes de los métodos matemáticos más convencionales", dijo Lalith Bonagiri, estudiante graduada del grupo de Zhang y autor principal del estudio. P>
Los investigadores desarrollaron un algoritmo de aprendizaje profundo con un marco codificador-decodificador. Primero "codifica" imágenes AFM sin procesar descomponiéndolas en características abstractas. Después de manipular la representación de la característica para eliminar los efectos no deseados, se "decodifica" nuevamente en una imagen reconocible.
Para entrenar el algoritmo, los investigadores generaron imágenes artificiales de estructuras tridimensionales y simularon sus lecturas AFM. Luego se construyó el algoritmo para transformar las imágenes AFM simuladas con efectos del tamaño de una sonda y extraer las características subyacentes.
"En realidad, tuvimos que hacer algo no estándar para lograrlo", dijo Bonagiri. "El primer paso del procesamiento de imágenes típico de IA es reescalar el brillo y el contraste de las imágenes con respecto a algún estándar para simplificar las comparaciones. Sin embargo, en nuestro caso, el brillo y el contraste absolutos son la parte significativa, por lo que tuvimos que renunciar a esa primera paso. Eso hizo que el problema fuera mucho más desafiante."
Para probar su algoritmo, los investigadores sintetizaron nanopartículas de oro y paladio con dimensiones conocidas en un huésped de silicio. El algoritmo eliminó con éxito los efectos de la punta de la sonda e identificó correctamente las características tridimensionales de las nanopartículas.
"Hemos realizado una prueba de concepto y hemos mostrado cómo utilizar la IA para mejorar significativamente las imágenes AFM, pero este trabajo es sólo el comienzo", afirmó Zhang. "Como ocurre con todos los algoritmos de IA, podemos mejorarlo entrenándolo con más y mejores datos, pero el camino a seguir es claro".
Más información: Lalith Krishna Samanth Bonagiri et al, Perfilado preciso de superficies a nanoescala gracias al aprendizaje profundo, Nano Letters (2024). DOI:10.1021/acs.nanolett.3c04712
Proporcionado por la Facultad de Ingeniería Grainger de la Universidad de Illinois