Interpreting atomic force microscope images with machine learning

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Hapala, Prokop
dc.contributor.advisor Urtev, Fedor
dc.contributor.author Oinonen, Niko
dc.date.accessioned 2019-08-25T15:18:52Z
dc.date.available 2019-08-25T15:18:52Z
dc.date.issued 2019-08-20
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/39948
dc.description.abstract Since its invention in 1986, atomic force microscopy (AFM) has developed into a unique tool for exploring the microscopic world. With the introduction of CO tip functionalization, the image resolution has reached the level of individual atoms and bonds. However, the use of this method so far has been mostly restricted to planar structures, due to difficulties in interpretation of images for more complex 3D molecular structures. We aim to address this problem with the use of artificial neural networks (ANN), a type of machine learning model. ANNs have gained much attention in recent years for advancing the state of the art in many complex problems, including those related to natural language processing, image recognition, autonomous cars, and playing games at a superhuman level. The success of ANNs has been enabled by the increased availability of computational resources and datasets of sufficient size. In the work of this thesis, we apply convolutional neural networks, a type of ANN, to the task of predicting easily interpretable descriptors of atomic properties from AFM images. The models are trained on simulated AFM images and tested on both simulated and experimental images. The results on simulated images are generally very good, but experimental results, while in some cases promising, indicate that there are some challenges that need to be overcome. en
dc.description.abstract Atomivoimamikroskopiasta (eng. atomic force microscopy, AFM) on muodostunut tärkeä menetelmä mikroskooppisen maailman tutkimiseen. Jos AFM-laitteen neulankärkeen kiinnitetään joustava hiukkanen, kuten CO-molekyyli, voidaan saavuttaa tarkkuus, joka yltää yksittäisten atomien ja sidosten tasolle. Menetelmän käyttö tähän asti on kuitenkin rajoittunut vain verrattain tasaisten rakenteiden kuvaamiseen, koska monimutkaisempien rakenteiden AFM-kuvat ovat yleisesti vaikeasti tulkittavia. Tässä diplomityössä etsitään ratkaisua edeltävään ongelmaan käyttämällä neuroverkkoja. Neuroverkot ovat koneoppimismalleja, jotka ovat nopeasti edistäneet tutkimusta monissa tekoälyyn liittyvissä ongelmissa, mukaan lukien tekstinymmärryksessä, tietokonenäössä, itseohjautuvien autojen kehityksessä ja pelien pelaamissa. Kehityksen ovat mahdollistaneet erityisesti kasvaneet ainestomäärät ja grafiikkapiirien mahdollistama laskentakapasiteetin kasvu. Tässä työssä opetetaan konvoluutioneuroverkkomalleja tunnistamaan AFM-kuvista helposti tulkittavia kuvauksia atomirakenteista. Mallien oppiminen tapahtuu simuloitujen AFM-kuvien avulla, ja malleja testataan sekä simuloiduilla että kokeellisilla kuvilla. Tulokset ovat yleisesti hyviä simuloiduilla kuvilla, mutta kokeelliset kuvat osoittautuvat vielä usein haastaviksi. fi
dc.format.extent 47
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Interpreting atomic force microscope images with machine learning en
dc.title Atomivoimamikroskooppikuvien tulkitseminen koneoppimisen avulla fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword atomic force microscope en
dc.subject.keyword scanning probe microscopy en
dc.subject.keyword machine learning en
dc.subject.keyword deep learning en
dc.subject.keyword convolutional neural network en
dc.identifier.urn URN:NBN:fi:aalto-201908255009
dc.programme.major Engineering Physics fi
dc.programme.mcode SCI3056 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Foster, Adam
dc.programme Master’s Progamme in Engineering Physics fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account