AFM-net：利用少量数据和快速扫描，通过机器学习加速原子力显微镜纳米测量技术

《npj Computational Materials》：AFM-net: machine learning acceleration of atomic force microscopy nanometrology from scarce data and fast scans

　　

摘要

原子力显微镜（AFM）是纳米测量技术的基石，但其获取和处理速度较慢，这成为了一个瓶颈。为了解决这一问题，我们提出了AFM-net这一机器学习框架。该框架不仅取代了传统的后处理流程，还能通过从快速但质量较低的扫描数据中重建高保真图像来实现高速成像。AFM-net采用了一种独特的训练策略：它不是依赖于稀缺的实验数据，而是利用了包含真实仪器误差信息的大规模自然图像数据集进行模型训练。这种工作流程将数据处理速度提高了多达500倍，并且能够实现跨模态的泛化能力（例如应用于扫描隧道显微镜）。最终表明，要突破高通量纳米测量技术的瓶颈，不仅需要更快的硬件，还需要更智能、以数据为中心的计算流程。