利用深度学习辅助的超快铁电畴成像技术，结合原子力显微镜技术实现

《npj Computational Materials》：Deep learning-assisted ultrafast ferroelectric domain imaging using atomic force microscopy

　　

摘要

压电响应力显微镜（PFM）是一种基于锁相技术的原子力显微镜（AFM）模式，能够实现高灵敏度的铁电畴成像。然而，无论是进行大规模测量还是研究快速动态行为，快速成像仍然面临挑战，因为在这两者之间存在一个根本性的权衡：快速采集与高信号质量之间的矛盾。为了解决这一难题，我们开发了一种基于序列U-Net（一种卷积神经网络）和迁移学习的方法，用于从在不适宜可靠表征的条件下获取的低质量图像中重建高质量的PFM图像。将该方法应用于铁电陶瓷时，与传统的随机权重初始化方法相比，成功恢复了铁电畴结构，并且成像速度提高了50%以上；同时保持了图像质量。该框架还通过使用静电力显微镜（EFM）对氧化铪锆纳米电容器进行验证，成像速度提高了67倍以上，证明了其在基于锁相放大器的AFM技术中的通用性。由于所提出的方法无需对硬件进行任何修改，并且与标准AFM仪器兼容，因此为克服基于锁相技术的AFM中的速度-灵敏度限制提供了一种广泛适用的策略。