Des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont introduit une technique d’IA qui améliore considérablement la microscopie à force atomique (AFM) en lui permettant de visualiser des caractéristiques matérielles plus petites que la pointe de la sonde. Cette percée, offrant les premiers véritables profils tridimensionnels au-delà des limites de résolution conventionnelles, promet de révolutionner le développement de la nanoélectronique et les études sur les matériaux.
La microscopie à force atomique, ou AFM, est une technique largement utilisée qui permet de cartographier quantitativement les surfaces de matériaux en trois dimensions. Cependant, la précision de l’AFM est limitée par la taille de la sonde du microscope. Une nouvelle technique d’intelligence artificielle a été développée pour dépasser cette restriction, permettant aux microscopes d’atteindre une résolution plus élevée dans l’analyse des matériaux.
L’algorithme d’apprentissage profond développé par des chercheurs de l’Université de l’Illinois à Urbana-Champaign est formé pour supprimer les effets de la largeur de la sonde des images du microscope AFM. Comme le rapporte le journal Nano lettres, l’algorithme surpasse les autres méthodes en donnant les premiers vrais profils de surface tridimensionnels à des résolutions inférieures à la largeur de la pointe de la sonde du microscope.
Percée dans l’imagerie des surfaces matérielles
« Des profils précis de hauteur de surface sont cruciaux pour le développement de la nanoélectronique ainsi que pour les études scientifiques des matériaux et des systèmes biologiques, et l’AFM est une technique clé qui peut mesurer les profils de manière non invasive », a déclaré Yingjie Zhang, professeur de science et d’ingénierie des matériaux à l’Université d’I. le chef de 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 exploitée pour surmonter une limitation apparemment insurmontable. »
Souvent, les techniques de microscopie ne peuvent fournir que des images bidimensionnelles, fournissant essentiellement aux chercheurs des photographies aériennes de surfaces matérielles. L’AFM fournit des cartes topographiques complètes montrant avec précision les profils de hauteur des éléments de surface. Ces images tridimensionnelles sont obtenues en déplaçant une sonde sur la surface du matériau et en mesurant sa déviation verticale.
Images AFM traitées par l’algorithme d’apprentissage profond. La colonne de gauche contient des images AFM simulées, la colonne centrale contient des images traitées et reconstruites par l’algorithme et la colonne de droite contient les images originales avant l’ajout des effets AFM. Crédit : Nano Lett. 2024, 24, 8, 2589-2595
Si les caractéristiques de la surface approchent la taille de la pointe de la sonde – environ 10 nanomètres – alors elles ne peuvent pas être résolues au microscope car la sonde devient trop grande pour « palper » les caractéristiques. Les microscopistes sont conscients de cette limitation depuis des décennies, mais les chercheurs de l’Université d’Island 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 limitations inhérentes aux méthodes mathématiques plus conventionnelles », a déclaré Lalith Bonagiri, étudiante diplômée du groupe de Zhang et auteur principal de l’étude.
L’algorithme d’apprentissage profond
Les chercheurs ont développé un algorithme d’apprentissage en profondeur avec un cadre codeur-décodeur. Il « code » d’abord les images AFM brutes en les décomposant en caractéristiques abstraites. Une fois que la représentation des caractéristiques a été manipulée pour supprimer les effets indésirables, elle est ensuite « décodée » dans un
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 en fait dû faire quelque chose de non standard pour y parvenir », a déclaré Bonagiri. « La première étape du traitement d’image typique de l’IA consiste à redimensionner la luminosité et le contraste des images par rapport à une norme pour simplifier les comparaisons. Dans notre cas, cependant, la luminosité et le contraste absolus sont ce qui compte, nous avons donc dû renoncer à cette première étape. Cela a rendu le problème encore 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 supprimer 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 considérablement les images AFM, mais ce travail n’est qu’un début », a déclaré 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. »
Les expériences ont été réalisées à l’Institut Carl R. Woese de biologie génomique et au Laboratoire de recherche sur les matériaux de l’Université d’I.
Le soutien a été fourni par la National Science Foundation et la Fondation Arnold et Mabel Beckman.
