Nature communications：基于無監督流形學習的高精度掃描探針成像的方法體系

掃描探針（SPM）功能成像已經被廣泛用于諸多納米材料領域中。掃描探針頻譜分析的目標是從懸臂的動態特征來推斷材料的結構和功能：特別是過去十年間，掃描探針技術在多通道，寬頻帶/高維數據收集方面取得了顯著進展，同時也帶來了對數據分析方法的新的挑戰和機遇。任何多頻/多維SPM信號分析方法的顯著改進都可能促進諸多材料領域里的進步。

近日，來自美國橡樹嶺國家實驗室的 Xin Li 和 Sergei Kalinin 提出了基于流形學習（manifold learning）和圖論的無監督學習方法。該方法能夠高效地從高維掃描探針信號中多層次的提取具有豐富局部細節的結構特征，進一步實現去噪，分類和高精度功能成像。為了展示這一方法的普適性，他們將這一方法應用在頻帶激勵（BE-SPM）和 三維 （3D-AFM）原子力掃描探針上，并展示了聚合物機械性能的高精度成像和在原子分辨率上對方解石不規則水化結構的解析。該成果以“High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping”為題發表在《自然通訊》上。

【圖文導讀】

圖一：概念圖-從低維流形空間到物理體系的推理

圖二：一個簡單的流形學習和聚類的示例

四組高斯曲線在流形空間的分布和聚類。通過Graph-Bootstrapping(GB)-圖的自抽樣，流形空間上的點陣變得更加簡潔清晰。

圖三：高維掃描探針信號在流形空間的分布

通過圖的自抽樣（Graph-Bootstrapping), 能夠將更深層的結構細節展現出來。

圖四：在頻帶激勵掃描探針（BE-SPM）上的應用

流形空間里其中的三個聚類在材料結構上的映射和相對應的BE-SPM 信號

圖五：在三維原子力掃描探針（3D-AFM）上的應用

對方解石不規則水化結構的解析

【小結】
該研究提出了一種通用的對高維掃描探針頻譜的定量可視化算法。基于流形學習（manifold-learning）和圖的自抽樣（graph-bootstrapping），該方法能夠高效地分層次地揭示具有豐富局部細節的材料結構特征，進一步實現去噪，分類和高分辨率功能成像。該方法體系有望開啟新的途徑來加速對耦合在材料和成像系統之間的物理體系的探索發現。

【文獻鏈接】
Li, Xin, Liam Collins, Keisuke Miyazawa, Takeshi Fukuma, Stephen Jesse, and Sergei V. Kalinin. "High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping." Nature communications 9, no. 1 (2018): 2428.https://www.nature.com/articles/s41467-018-04887-1

本文由Xin Li 供稿

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿及內容合作請加微信cailiaokefu。