合成数据驱动的深度学习用于无标签的自主原子力显微镜

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术 纳米技术
• 生物物理学的生物物理.

背景情况:

• 原子力显微镜 (AFM) 对于纳米尺度表征至关重要,但由于专家依赖和缺乏标记数据,在高通量研究中受到限制.
• 在AFM中数据驱动的自动化受到注释实验数据集的稀缺性所阻碍.

研究的目的:

• 介绍SimuScan,一个基于合成数据的框架,可实现可靠的AFM特征识别,细分和定向成像.
• 克服对大型手动标记的实验性AFM数据集的需求.
• 促进AFM分析和材料发现的数据驱动自动化.

主要方法:

• SimuScan生成高保真度合成AFM图像,具有可调整的形态和现实的实验文物 (例如,尖端样本卷积,噪音,碎片).
• 使用合成数据集进行可扩展的,无标签的深度学习模型训练,用于AFM分析.
• 将SimuScan训练模型集成到数据驱动的AFM工作流程中,用于自动分析和引导成像.

主要成果:

• 证明了使用合成AFM数据进行深度学习模型的可扩展,无标签的训练.
• 通过SimuScan训练的模型成功地在各种样本类型 (纳米结构表面,DNA组件,细菌细胞) 中找到并分析了纳米规模结构.
• 在AFM分析中实现了强大的概括和最小的操作员干预.

结论:

• SimuScan提供了一种可靠的方法,用于AFM特征识别和分析,而不需要大量的手动标签.
• 合成数据生成是一种可行的策略,可以提高自主显微镜下游模型的可靠性.
• 这一框架加速了纳米尺度的表征,并支持数据驱动的材料发现.