Een Australisch-Duitse samenwerking heeft een volledig autonome SPM-operatie aangetoond, door kunstmatige intelligentie en deep learning toe te passen om de behoefte aan constant menselijk toezicht weg te nemen.

Het nieuwe systeem, genaamd DeepSPM, overbrugt de kloof tussen nanowetenschap, automatisering en kunstmatige intelligentie (AI), en bevestigt het gebruik van machine learning voor experimenteel wetenschappelijk onderzoek.

"Het optimaliseren van SPM-gegevensverzameling kan erg vervelend zijn. Dit optimalisatieproces wordt meestal uitgevoerd door de menselijke experimentator, en wordt zelden gemeld, ", zegt FLEET-hoofdonderzoeker Dr. Agustin Schiffrin (Monash University).

"Ons nieuwe AI-gestuurde systeem kan autonoom werken en optimale SPM-gegevens verkrijgen, voor meerdere rechte dagen, en zonder enig menselijk toezicht."

De vooruitgang brengt geavanceerde SPM-methodologieën zoals atomair nauwkeurige nanofabricage en high-throughput data-acquisitie dichter bij een volledig geautomatiseerde turnkey-applicatie.

De nieuwe benadering van diep leren kan worden gegeneraliseerd naar andere SPM-technieken. De onderzoekers hebben het gehele raamwerk als open source online openbaar gemaakt, het creëren van een belangrijke bron voor de nanowetenschappelijke onderzoeksgemeenschap.

Volledig autonome DeepSPM

"Cruciaal voor het succes van DeepSPM is het gebruik van een zelflerende agent, omdat de juiste stuuringangen niet vooraf bekend zijn, " zegt Dr. Cornelius Krull, mede projectleider.

"Leren uit ervaring, onze agent past zich aan aan veranderende experimentele omstandigheden en vindt een strategie om het systeem stabiel te houden, " zegt dr. Krull, die samenwerkt met Dr. Shiffrin aan de Monash School of Physics and Astronomy.

Het AI-gestuurde systeem begint met een algoritmische zoektocht naar de beste steekproefregio's en gaat verder met autonome data-acquisitie.

Vervolgens gebruikt het een convolutioneel neuraal netwerk om de kwaliteit van de gegevens te beoordelen. Als de kwaliteit van de gegevens niet goed is, DeepSPM gebruikt een leermiddel voor diepe versterking om de conditie van de sonde te verbeteren.

DeepSPM kan meerdere dagen actief zijn, continu gegevens verzamelen en verwerken, terwijl SPM-parameters worden beheerd als reactie op verschillende experimentele omstandigheden, zonder enig toezicht.

De studie toont volledig autonoom, voor het eerst langdurig SPM-bedrijf door het combineren van:

• een algoritmische benadering voor selectie van steekproefgebieden en SPM-gegevensverzameling;
• gesuperviseerde machine learning met behulp van convolutionele neurale netwerken voor kwaliteitsbeoordeling en classificatie van SPM-gegevens, en
• diep versterkend leren voor dynamisch geautomatiseerd in-situ sondebeheer en conditionering.

Op kunstmatige intelligentie gebaseerde scanning probe microscopie werd gepubliceerd in Communicatiefysica in maart 2020.