自动收集和分类的STM图像和STS光谱与机器学习和没有机器学习
Dylan Stewart Barker1, Adam Sweetman1
1School of Physics and Astronomy, University of Leeds, Leeds LS2 9JT, United Kingdom.
Beilstein journal of nanotechnology
|September 10, 2025
概括
使用机器学习和确定性方法自动扫描探针显微镜尖端特性增强了小型有机分子的高通量分析. 这使得可重复的,特定地点的光谱测量可以在没有人类干预的情况下进行.
科学领域:
- 表面科学是一门学科.
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
背景情况:
- 扫描探针显微镜 (SPM),包括扫描道显微镜 (STM),为小型有机分子的成像和光谱提供原子分辨率.
- 手动探头顶部的准备和表征是SPM中高通量实验和可重复性的重大障碍.
研究的目的:
- 评估自动化探测器顶部质量表征的可行性,用于成像和光谱.
- 开发用于高分辨率扫描探头材料特征的自动化方法.
主要方法:
- 利用机器学习 (ML) 和确定性方法 (DM) 来自动评估成像和光谱尖端质量.
- 在4.7K的Au(111) 系统上使用了原型的甲氨酸用于评估.
- 演示了一个原则证明的自动化实验,用于尖端准备,分子识别和特定地点的光谱学.
主要成果:
- 无论是ML还是DM都精确地分类了图像和光谱,事先的表面知识很少.
- 通过不需要对新系统进行广泛的培训数据集,DM被证明是有利的.
- 一个自动化的实验成功地产生了许多适合使用DM进行统计分析的光谱.
结论:
- 确定性方法提供了一种实用的方法来对STM尖端质量进行分类,用于小有机分子的高分辨率成像和光谱.
- 自动化尖端状态分类可以在没有人为干预的情况下,在多个分子上采集高通量光谱.
- 这种技术可以扩展到各种金属吸附剂系统,有望在自动化SPM表征方面取得进展.
