Interpreting atomic force microscope images with machine learning

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorHapala, Prokop
dc.contributor.advisorUrtev, Fedor
dc.contributor.authorOinonen, Niko
dc.contributor.schoolPerustieteiden korkeakoulufi
dc.contributor.supervisorFoster, Adam
dc.date.accessioned2019-08-25T15:18:52Z
dc.date.available2019-08-25T15:18:52Z
dc.date.issued2019-08-20
dc.description.abstractSince 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.abstractAtomivoimamikroskopiasta (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.extent47
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/39948
dc.identifier.urnURN:NBN:fi:aalto-201908255009
dc.language.isoenen
dc.programmeMaster’s Programme in Engineering Physicsfi
dc.programme.majorEngineering Physicsfi
dc.programme.mcodeSCI3056fi
dc.subject.keywordatomic force microscopeen
dc.subject.keywordscanning probe microscopyen
dc.subject.keywordmachine learningen
dc.subject.keyworddeep learningen
dc.subject.keywordconvolutional neural networken
dc.titleInterpreting atomic force microscope images with machine learningen
dc.titleAtomivoimamikroskooppikuvien tulkitseminen koneoppimisen avullafi
dc.typeG2 Pro gradu, diplomityöfi
dc.type.ontasotMaster's thesisen
dc.type.ontasotDiplomityöfi
local.aalto.electroniconlyyes
local.aalto.openaccessyes
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
master_Oinonen_Niko_2019.pdf
Size:
6.94 MB
Format:
Adobe Portable Document Format