Microscopía de túnel de exploración autónoma de imágenes a través de aprendizaje profundo

Área de la Ciencia:

• Ciencias de los materiales
• Ciencias de la superficie
• Nanotecnología

Sus antecedentes:

• La microscopía de túnel de barrido (STM) ofrece precisión atómica pero implica procesos subjetivos que requieren mucha mano de obra.
• El aprendizaje profundo (DL) sobresale en la automatización de tareas complejas y de alta dimensión.

Objetivo del estudio:

• Desarrollar un marco STM autónomo impulsado por el aprendizaje profundo para la caracterización atómica y molecular imparcial y automatizada.
• Mejorar la eficiencia y la capacidad de la microscopía de sonda de barrido a través de la inteligencia artificial.

Principales métodos:

• Una red neuronal convolucional (CNN) evaluó la calidad de la imagen STM en tiempo real.
• Un modelo U-net identificó superficies desnudas, y un agente de red de aprendizaje Q profundo (DQN) condicionó la sonda de forma autónoma.
• Un modelo de reconocimiento de objetos automatizó la identificación de adsorbados moleculares.

Principales resultados:

• El marco logró operaciones autónomas de STM, midiendo aproximadamente 1.9 μm2 en 48 horas.
• Se generaron estadísticas automatizadas sobre especies moleculares dentro de un área mesoscópica sin comprometer las imágenes de alta resolución.
• El sistema demostró su robustez mediante mediciones a temperaturas criogénicas (78 K).

Conclusiones:

• La integración de DL con STM permite el análisis atómico y molecular autónomo de alto rendimiento.
• Este enfoque acelera el descubrimiento de materiales y mejora la funcionalidad de los microscopios de sonda de barrido.