Interpreting atomic force microscope images with machine learning
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2019-08-20
Department
Major/Subject
Engineering Physics
Mcode
SCI3056
Degree programme
Master’s Programme in Engineering Physics
Language
en
Pages
47
Series
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.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.Description
Supervisor
Foster, AdamThesis advisor
Hapala, ProkopUrtev, Fedor
Keywords
atomic force microscope, scanning probe microscopy, machine learning, deep learning, convolutional neural network
