Nouvelle IA repousse limites AFM, microscopie à force atomique

Artificial Intelligence CPU Technology Concept Art

Des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont introduit une technique d’intelligence artificielle qui améliore significativement la microscopie à force atomique (AFM) en permettant de visualiser des caractéristiques matérielles plus petites que la pointe de la sonde. Cette percée, offrant les premiers profils – vraiment en trois dimensions – au-delà des limites de résolution conventionnelles, promet de révolutionner le développement des nanotechnologies et les études sur les matériaux.

La microscopie à force atomique, ou AFM, est une technique largement utilisée qui permet de cartographier de manière quantitative les surfaces des 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 les chercheurs de l’Université de l’Illinois à Urbana-Champaign est formé pour éliminer les effets de la largeur de la sonde des images du microscope à AFM. Comme rapporté dans le journal Nano Letters, l’algorithme dépasse les autres méthodes en fournissant les premiers profils de surface véritablement en trois dimensions à des résolutions inférieures à la largeur de la pointe de la sonde du microscope.

Percée dans l’imagerie des surfaces matérielles

« Les profils de hauteur de surface précis sont cruciaux pour le développement des nanotechnologies ainsi que pour les études scientifiques des systèmes matériels et biologiques, et l’AFM est une technique clé qui peut mesurer les profils de manière non invasive », a déclaré Yingjie Zhang, professeur de science des matériaux et de génie à l’U. de l’I. et 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 utilisée pour surmonter une limitation apparemment insurmontable. »

Souvent, les techniques de microscopie ne peuvent fournir que des images bidimensionnelles, essentiellement fournissant aux chercheurs des photographies aériennes des surfaces des matériaux. L’AFM fournit des cartes topographiques complètes montrant avec précision les profils de hauteur des caractéristiques de surface. Ces images tridimensionnelles sont obtenues en déplaçant une sonde sur la surface du matériau et en mesurant sa déflexion verticale.

Reconstructed AFM Image Comparisons

Images AFM traitées par l’algorithme d’apprentissage profond. La colonne de gauche contient des images AFM simulées, la colonne du centre contient des images traitées et reconstruites par l’algorithme, et la colonne de droite contient les images originales avant l’ajout des effets de l’AFM. Crédit : Nano Lett. 2024, 24, 8, 2589–2595

Si les caractéristiques de surface approchent la taille de la pointe de la sonde – environ 10 nanomètres – alors elles ne peuvent pas être résolues par le microscope car la sonde devient trop grande pour « détecter » les caractéristiques. Les microscopistes sont conscients de cette limitation depuis des décennies, mais les chercheurs de l’U. de l’I. sont les premiers à apporter une solution déterministe.

« Nous nous sommes tournés vers l’IA et l’apprentissage profond car nous voulions obtenir le profil de hauteur – la rugosité exacte – sans les limitations inhérentes des méthodes mathématiques plus classiques », a déclaré Lalith Bonagiri, étudiant diplômé dans le groupe de Zhang et auteur principal de l’étude.

L’algorithme d’apprentissage profond

Les chercheurs ont développé un algorithme d’apprentissage profond avec une structure encodeur-décodeur. Il « encode » d’abord les images brutes de l’AFM en les décomposant en caractéristiques abstraites. Après que la représentation des caractéristiques soit manipulée pour éliminer les effets indésirables, elle est ensuite « décodée » dans une image reconnaissable.

Pour entraîner l’algorithme, les chercheurs ont généré des images artificielles de structures tridimensionnelles et simulé leurs lectures d’AFM. L’algorithme a ensuite été construit pour transformer les images d’AFM simulées avec des effets de la taille de la sonde et extraire les caractéristiques sous-jacentes.

« Nous avons dû faire quelque chose de non standard pour y parvenir », a déclaré Bonagiri. « La première étape du traitement d’images d’IA classique consiste à rescaler 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 la partie significative, nous avons donc dû renoncer à cette première étape. Cela a rendu le problème beaucoup plus difficile. »

Pour tester leur algorithme, les chercheurs ont synthétisé des nanoparticules d’or et de palladium avec des dimensions connues sur un substrat 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 significativement les images d’AFM, mais ce travail n’est que le début », a déclaré Zhang. « Comme pour tous les algorithmes d’IA, nous pouvons l’améliorer en le formant sur des données plus nombreuses et meilleures, mais la voie à suivre est claire. »

Référence : « Profilage de surface précis à l’échelle nanométrique permis par l’apprentissage profond » de Lalith Krishna Samanth Bonagiri, Zirui Wang, Shan Zhou et Yingjie Zhang, 22 janvier 2024, Nano Letters.
DOI : 10.1021/acs.nanolett.3c04712

Les expériences ont été réalisées à l’Institut Carl R. Woese pour la biologie génomique et au Laboratoire de recherche sur les matériaux de l’U. de l’I.

Un soutien financier a été apporté par la National Science Foundation et la Fondation Arnold et Mabel Beckman.