Deep Learning Model Training for 3D Molecules in Atomic Force Microscopy

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
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.

Authors

Date

2024-02-07

Department

Major/Subject

teknillinen fysiikka

Mcode

SCI3028

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

19

Series

Abstract

Atomic Force Microscopy (AFM) is a nanoscale technique that offers the capability to capture high-resolution images of single atoms or molecules. This is done by bringing a small, metallic cantilever with a carbon monoxide (CO) molecule attached to its tip close to the examined surface in ultra-vacuum conditions close to absolute zero temperature. The cantilever is driven to oscillate with a specific frequency near the surface. The interaction forces between the atoms on the surface and the CO molecule at the cantilever's tip induce modifications to the oscillation frequency. These changes provide information about the surface's molecular and atomic structure. In this work, deep learning was used with neural networks in order to improve the resolution and clarity of simulated AFM images and gain more information about their 3D molecular structure. The accuracy of the neural network was measured with a loss function computed with the mean squared error method, which was minimized with gradient descent. Instead of real-life AFM images, a Probe Particle Model was used to simulate an AFM system using the Lennard-Jones potential and the Coulomb force. Two large datasets of simulated AFM images were given to a neural network to train it. One dataset was smaller than the other, but had a large amount of rotations for the molecules. The other dataset was larger and contained molecules with heavier elements such as bromine and chlorine. After this phase, separate simulated AFM images were fed to the trained neural network to test the model. The neural network training required significant computational resources, but using graphics processing units (GPU) on the Aalto University Triton server greatly sped up the training process. The neural network demonstrated a significant improvement in the simulated AFM images. This enhancement made individual atoms within the molecules distinctly visible, and the geometric configuration of the observed molecules easily ascertainable. By combining the precision of AFM with the computational power of neural networks, this work advances our understanding of molecular and atomic landscapes at the nanoscale.

Atomivoimamikroskopia (engl. Atomic force microscopy, AFM) on nanoskaalan menetelmä, jota voidaan käyttää yksittäisten atomien tai molekyylien kuvantamiseen. Kuvantamista tehdään ultratyhjiössä, lähes absoluuttisessa nollapisteessä tuomalla tutkittavan pinnan lähelle pieni metallinen ulokepalkki, jonka päähän on kiinnitetty yksittäinen hiilimonoksidimolekyyli (CO). Ulokepalkki pakotetaan värähtelemään tietyllä taajuudella pinnan lähellä. Pinnalla olevien atomien ja kärjessä olevan CO-molekyylin väliset vuorovaikutusvoimat aiheuttavat muutoksia ulokepalkin värähtelytaajuudessa. Nämä muutokset antavat tietoa pinnan atomien ja molekyylien rakenteesta. Tässä työssä syväoppimista käytettiin neuroverkkojen avulla, jotta simuloitujen AFM-kuvien resoluutiota ja selkeyttä saataisiin parannettua ja molekyylien 3D-rakenteesta saataisiin parempaa tietoa. Neuroverkon tarkkuutta kuvattiin tappiofunktiolla keskimääräisen neliövirheen menetelmällä, joka minimoitiin gradienttilaskulla. Todellisten AFM-kuvien sijasta käytettiin simuloituja AFM-kuvia, jotka luotiin Lennard-Jones potentiaalia ja Coulombin voimaa käyttävän Probe Particle Model -mallin avulla. Neuroverkolle annettiin kaksi simuloiduista AFM-kuvista koostuvaa suurta datajoukkoa opetusta varten, minkä jälkeen sille syötettiin erillisiä simuloituja AFM-kuvia mallin kokeilua varten. Ensimmäinen datajoukko oli pienempi kuin toinen, mutta sisälsi suuren joukon rotaatioita eri molekyyleille. Toinen datajoukko oli kooltaan suurempi ja sisälsi molekyylejä, joissa oli raskaampia alkuaineita, kuten bromia ja klooria. Neuroverkon opetus vaati merkittäviä laskennallisia resursseja. Käyttämällä graafisia näytönohjaimia (GPU) Aalto-yliopiston Triton-serverillä, täma opetusvaihe saatiin huomattavasti nopeammaksi. Neuroverkko paransi simuloitujen AFM-kuvien laatua merkittävästi. Tällä menetelmällä saatiin yksittäiset atomit molekyylien sisällä selvästi näkyviksi ja molekyylien geometria helposti määritettäväksi. AFM:n tarkkuuden ja neuroverkkojen laskentatehon yhdistäminen edistää ymmärrystämme molekyylien ja atomien muodostamasta maisemasta nanoskaalassa.

Description

Supervisor

Liljeroth, Peter

Thesis advisor

Oinonen, Niko

Keywords

atomic force microscopy, simulation, deep learning, atomic resolution

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202402272478

Collections

[kand] Perustieteiden korkeakoulu / SCI