Une technique d'IA "décode" les images de microscopes, surmontant la limite fondamentale
"Nous avons donné une preuve de concept et montré comment utiliser l'IA pour améliorer de manière significative les images AFM, mais ce travail n'est qu'un début"
La microscopie à force atomique (AFM) est une technique très répandue qui permet de cartographier quantitativement les surfaces des matériaux en trois dimensions, mais sa précision est limitée par la taille de la sonde du microscope. Une nouvelle technique d'intelligence artificielle 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 mis au point par des chercheurs de l'université de l'Illinois Urbana-Champaign est entraîné à supprimer les effets de la largeur de la sonde sur les images du microscope AFM. Comme l'indique la revue Nano Letters, l'algorithme surpasse les autres méthodes en donnant les premiers véritables profils de surface tridimensionnels à des résolutions inférieures à la largeur de la pointe de la sonde du microscope.
"Des profils de hauteur de surface précis sont essentiels au développement de la nanoélectronique ainsi qu'aux études scientifiques des systèmes matériels et biologiques, et l'AFM est une technique clé qui permet de mesurer les profils de manière non invasive", a déclaré Yingjie Zhang, professeur de science et d'ingénierie des matériaux à l'Université de l'Iowa et responsable du 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 utilisée pour surmonter une limitation apparemment insurmontable".
Souvent, les techniques de microscopie ne peuvent fournir que des images bidimensionnelles, c'est-à-dire des photographies aériennes de la surface des matériaux. L'AFM fournit des cartes topographiques complètes montrant avec précision les profils de hauteur des caractéristiques de la 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 pas être résolues par le microscope parce que la sonde devient trop grande pour "sentir" les caractéristiques. Les microscopistes sont conscients de cette limitation depuis des décennies, mais les chercheurs de l'Université de l'Iowa 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 limites inhérentes aux méthodes mathématiques plus conventionnelles", a déclaré Lalith Bonagiri, étudiant diplômé dans le groupe de Zhang et auteur principal de l'étude.
Les chercheurs ont mis au point un algorithme d'apprentissage profond avec un cadre encodeur-décodeur. Il commence par "encoder" les images brutes de l'AFM en les décomposant en caractéristiques abstraites. Après avoir manipulé la représentation des caractéristiques 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 d'inhabituel pour y parvenir", a déclaré Bonagiri. "La première étape du traitement d'image typique de l'IA consiste à rééchelonner la luminosité et le contraste des images par rapport à une norme afin de simplifier les comparaisons. Dans notre cas, cependant, c'est la luminosité et le contraste absolus qui sont significatifs, et nous avons donc dû renoncer à cette première étape. Nous avons donc dû renoncer à cette première étape, ce qui 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 éliminer 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 de manière significative les images AFM, mais ce travail n'est qu'un début", a déclaré M. 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.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
