Automating high-resolution atomic force microscopy image interpretation

Julkaisun otsikon käännös: Korkean resoluution atomivoimamikroskooppikuvien tulkinnan automaatio

Tutkimustuotos: Doctoral ThesisCollection of Articles

Abstrakti

Atomivoimamikroskoopilla (engl. Atomic force microscopy, AFM) voidaan tutkia ja kuvantaa aineen rakennetta ja ominaisuuksia atomitason mittakaavassa. Kun mittaus suoritetaan tyhjiössä lähellä absoluuttista nollapistettä, ja AFM-laitteen neulankärki funktionalisoidaan liittämällä siihen ylimääräinen hiukkanen kuten CO-molekyyli, voidaan saaduista AFM-kuvista tunnistaa ja paikantaa jopa yksittäisiä atomeja yksittäisissä molekyyleissä. Tämän mittausmenetelmän sovellukset ovat kuitenkin enimmäkseen rajoittuneet yksinkertaisten tasomaisten molekyylien kuvantamiseen, koska kuvien tulkitsemisesta tulee erittäin vaikeaa monimutkasempien molekyylien tapauksessa. Atomivoimamikroskoopilla (engl. Atomic force microscopy, AFM) voidaan tutkia ja kuvantaa aineen rakennetta ja ominaisuuksia atomitason mittakaavassa. Kun mittaus suoritetaan tyhjiössä lähellä absoluuttista nollapistettä, ja AFM-laitteen neulankärki funktionalisoidaan liittämällä siihen ylimääräinen hiukkanen kuten CO-molekyyli, voidaan saaduista AFM-kuvista tunnistaa ja paikantaa jopa yksittäisiä atomeja yksittäisissä molekyyleissä. Tämän mittausmenetelmän sovellukset ovat kuitenkin enimmäkseen rajoittuneet yksinkertaisten tasomaisten molekyylien kuvantamiseen, koska kuvien tulkitsemisesta tulee erittäin vaikeaa monimutkasempien molekyylien tapauksessa. Korkean resoluution AFM-kuvien simulointi on kuitenkin varsin helppoa käytämällä probe particle model (PPM) -simulaatiomallia, jonka avulla on mahdollista tuottaa hyvin nopeasti tarkkoja AFM-simulaatiokuvia mistä tahansa molekyylista. PPM-simulaatioden mahdollistama suuri aineistomäärä soveltuu hyvin myös koneoppimismallien kouluttamiseen. Koneoppimismenetelmillä on mahdollista laajan aineiston avulla kehittää tilastollisia malleja, jotka pystyvät ratkaisemaan ongelmia missä mikään tunnettu algoritminen menetelmä ei toimi. Erityisesti neuroverkkoja on sovellettu moniin ongelmiin useissa eri tieteen aloissa. Tässä väitöskirjassa sovelletaan neuroverkkoja AFM-kuvien tulkitsemiseen, tavoitteena automatisoida tämä prosessi ja mahdollistaa AFM-mittausmenetelmän laajempi käyttö aineen rakenteen tutkimisessa. Neuroverkot ensin koulutetaan PPM-simulaatiodatalla, ja koulutettuja neuroverkkoja sitten testataan oikeilla AFM-kuvilla. Tulosten perusteella neuroverkoilla on mahdollista ennustaa näytemolekyylin atomirakenne sekä sähkökenttä. Kuitenkin joissain tapauksissa simulaation ja oikeiden kuvien erosta johtuen ennusteet eivät ole täysin luotettavia, joten prosessin täysi automaatio ei vielä ole mahdollista. Tämän lisäksi väitöskirjassa esitellään koneoppimiseen perustuva automaatiomenetelmä AFM-kärjen funktionalisoimiseen.
Julkaisun otsikon käännösKorkean resoluution atomivoimamikroskooppikuvien tulkinnan automaatio
AlkuperäiskieliEnglanti
PätevyysTohtorintutkinto
Myöntävä instituutio
  • Aalto-yliopisto
Valvoja/neuvonantaja
  • Foster, Adam, Vastuuprofessori
  • Urtev, Fedor, Ohjaaja
Kustantaja
Painoksen ISBN978-952-64-1567-3
Sähköinen ISBN978-952-64-1568-0
TilaJulkaistu - 2023
OKM-julkaisutyyppiG5 Artikkeliväitöskirja

Tutkimusalat

  • atomivoimamikroskopia
  • koneoppiminen
  • syväoppiminen

Sormenjälki

Sukella tutkimusaiheisiin 'Korkean resoluution atomivoimamikroskooppikuvien tulkinnan automaatio'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä