A microscopia de força atômica, ou AFM, é uma técnica amplamente utilizada que pode mapear quantitativamente superfícies de materiais em três dimensões, mas sua precisão é limitada pelo tamanho da sonda do microscópio. Uma nova técnica de IA supera essa limitação e permite que os microscópios resolvam características de materiais menores que a ponta da sonda.



O algoritmo de aprendizagem profunda desenvolvido por pesquisadores da Universidade de Illinois Urbana-Champaign é treinado para remover os efeitos da largura da sonda nas imagens do microscópio AFM. Conforme relatado na revista Nano Letters, o algoritmo supera outros métodos ao fornecer os primeiros perfis de superfície tridimensionais verdadeiros em resoluções abaixo da largura da ponta da sonda do microscópio.

"Perfis precisos de altura de superfície são cruciais para o desenvolvimento da nanoeletrônica, bem como para estudos científicos de materiais e sistemas biológicos, e o AFM é uma técnica chave que pode medir perfis de forma não invasiva", disse Yingjie Zhang, professor de ciência e engenharia de materiais da U. of I. e o líder do projeto. “Demonstramos como ser ainda mais preciso e ver coisas ainda menores, e mostramos como a IA pode ser aproveitada para superar uma limitação aparentemente intransponível.”

Freqüentemente, as técnicas de microscopia só podem fornecer imagens bidimensionais, fornecendo essencialmente aos pesquisadores fotografias aéreas de superfícies de materiais. O AFM fornece mapas topográficos completos que mostram com precisão os perfis de altura das características da superfície. Essas imagens tridimensionais são obtidas movendo uma sonda pela superfície do material e medindo sua deflexão vertical.

Se as características da superfície se aproximarem do tamanho da ponta da sonda – cerca de 10 nanômetros – então elas não poderão ser resolvidas pelo microscópio porque a sonda se torna grande demais para “palpar” as características. Os microscopistas estão cientes desta limitação há décadas, mas os pesquisadores da U. of I. são os primeiros a fornecer uma solução determinística.

“Recorremos à IA e à aprendizagem profunda porque queríamos obter o perfil de altura – a rugosidade exata – sem as limitações inerentes aos métodos matemáticos mais convencionais”, disse Lalith Bonagiri, estudante de pós-graduação do grupo de Zhang e autor principal do estudo.

Os pesquisadores desenvolveram um algoritmo de aprendizado profundo com uma estrutura codificador-decodificador. Ele primeiro "codifica" imagens AFM brutas, decompondo-as em recursos abstratos. Depois que a representação do recurso é manipulada para remover os efeitos indesejados, ela é então "decodificada" novamente em uma imagem reconhecível.

Para treinar o algoritmo, os pesquisadores geraram imagens artificiais de estruturas tridimensionais e simularam suas leituras de AFM. O algoritmo foi então construído para transformar as imagens simuladas de AFM com efeitos de tamanho de sonda e extrair os recursos subjacentes.

“Na verdade, tivemos que fazer algo fora do padrão para conseguir isso”, disse Bonagiri. "A primeira etapa do processamento típico de imagens de IA é redimensionar o brilho e o contraste das imagens em relação a algum padrão para simplificar as comparações. No nosso caso, porém, o brilho e o contraste absolutos são a parte significativa, então tivemos que renunciar a isso primeiro passo. Isso tornou o problema muito mais desafiador."

Para testar seu algoritmo, os pesquisadores sintetizaram nanopartículas de ouro e paládio com dimensões conhecidas em um hospedeiro de silício. O algoritmo removeu com sucesso os efeitos da ponta da sonda e identificou corretamente as características tridimensionais das nanopartículas.

“Fornecemos uma prova de conceito e mostramos como usar a IA para melhorar significativamente as imagens AFM, mas este trabalho é apenas o começo”, disse Zhang. “Tal como acontece com todos os algoritmos de IA, podemos melhorá-lo treinando-o com mais e melhores dados, mas o caminho a seguir é claro.”

Mais informações: Lalith Krishna Samanth Bonagiri et al, Perfil de superfície preciso em nanoescala habilitado por aprendizado profundo, Nano Letras (2024). DOI:10.1021/acs.nanolett.3c04712
Fornecido pela Faculdade de Engenharia Grainger da Universidade de Illinois