Una técnica de IA "descodifica" imágenes de microscopio, superando un límite fundamental
"Hemos dado una prueba de concepto y demostrado cómo utilizar la IA para mejorar significativamente las imágenes de AFM, pero este trabajo es sólo el principio"
La microscopía de fuerza atómica (AFM) es una técnica muy utilizada que permite cartografiar 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 a los microscopios resolver características materiales 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 de la anchura de la sonda de las imágenes del microscopio AFM. Como se informa en la revista Nano Letters, el algoritmo supera a otros métodos al proporcionar los primeros perfiles de superficie tridimensionales verdaderos con resoluciones inferiores a la anchura de la punta de la sonda del microscopio.
"La precisión de los perfiles de altura de las superficies es crucial para el desarrollo de la nanoelectrónica y los estudios científicos de materiales y sistemas biológicos, y el AFM es una técnica clave que puede medir perfiles de forma no invasiva", afirma Yingjie Zhang, profesor de Ciencia e Ingeniería de Materiales de la U. de I. y director 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, proporcionando esencialmente a los investigadores fotografías aéreas de las superficies de los materiales. La 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 por la superficie del material y midiendo su desviación vertical.
Si las características de la superficie se aproximan al tamaño de la punta de la sonda -unos 10 nanómetros-, no pueden resolverse con el microscopio porque la sonda es demasiado grande para "palpar" las características. Los microscopistas son conscientes de esta limitación desde hace 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 a los métodos matemáticos más convencionales", explica Lalith Bonagiri, estudiante de posgrado del grupo de Zhang y autor principal del estudio.
Los investigadores desarrollaron un algoritmo de aprendizaje profundo con un marco codificador-decodificador. Primero "codifica" las imágenes AFM en bruto descomponiéndolas en características abstractas. Una vez manipulada la representación de las características para eliminar los efectos no deseados, se "descodifica" de nuevo en una imagen reconocible.
Para entrenar el algoritmo, los investigadores generaron imágenes artificiales de estructuras tridimensionales y simularon sus lecturas de AFM. A continuación, se construyó el algoritmo para transformar las imágenes de AFM simuladas con efectos de tamaño de sonda y extraer las características subyacentes.
"En realidad, tuvimos que hacer algo no estándar para conseguirlo", explica Bonagiri. "El primer paso en el procesamiento de imágenes típico de la IA consiste en reescalar el brillo y el contraste de las imágenes con respecto a algún estándar para simplificar las comparaciones. En nuestro caso, sin embargo, el brillo y el contraste absolutos son la parte significativa, así que tuvimos que renunciar a ese primer paso. Eso hizo que el problema fuera mucho más difícil".
Para probar su algoritmo, los investigadores sintetizaron nanopartículas de oro y paladio de dimensiones conocidas sobre un soporte 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 dado una prueba de concepto y demostrado cómo utilizar la IA para mejorar significativamente las imágenes de AFM, pero este trabajo es sólo el principio", dijo Zhang. "Como ocurre con todos los algoritmos de IA, podemos mejorarlo entrenándolo con más y mejores datos, pero el camino a seguir está claro".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
