级别: 院长
UID: 117704
精华: 0
发帖: 1281
威望: 15 点
积分转换
愚愚币: 132 YYB
在线充值
贡献值: 0 点
在线时间: 98(小时)
注册时间: 2012-11-08
最后登录: 2022-08-22
楼主  发表于: 2018-12-15 11:19

 大数据AFM:通过时序激励实现超分辨定量表征

愚愚学园www.SciFans.net温馨提示:
自1986年问世以来,原子力显微镜(AFM)已成为在纳米尺度表征功能材料最重要的手段之一。传统的AFM通常基于谐波激励和锁相测量,虽然提高了信噪比,但扫描过程中通常需要频率跟踪,形貌干扰严重。而且每个像素点所得到的振幅和位相数据信息量相当有限,难以准确反映多种微观机制共存的复杂介质全貌。近年来,大数据AFM逐渐引起人们重视,旨在通过任意波形激励和全时域数据采集的穷荒之力(brute force), 得到样品更准确更全面的物理信息。但一方面这需要复杂、精密、昂贵的外接数据发生和采集系统,另一方面所采集的数据也缺乏物理针对性。因此,如何简单高效地获取高物理相关度的大数据、如何从采集到的大数据提炼其物理意义、以及如何加速大数据解析过程,仍然是面临AFM领域的重要命题。在更加广义的范畴,如何从寻求关联的大数据(big data)分析发展到寻求因果的深度数据(deep data)分析,是当前的前沿与热点研究。

    近日,美国华盛顿大学以及中国科学院深圳先进技术研究院研究团队,受获得2014年诺贝尔化学奖的超分辨光学显微镜启发,发展了时序激励原子力显微方法。其基本思想,是变换不同的(固定)频率对样品进行多次扫描,而每一个激励频率会激发不同像素点的共振。这样得到多幅图像,再基于简单谐振子(SHO)模型对每一个像素的一系列数据进行拟合,可以实现定量的图像重构,达到超分辨。这一工作,近日以Mapping Intrinsic Electromechanical Responses at the Nanoscale via Sequential Excitation Scanning Probe Microscopy Empowered by Deep Data为题,在线发表于National Science Review。 博士研究生黄博远和Ehsan Nasr Esfahani博士是论文的共同第一作者。特别值得一提的是,团队虽然已经通过复杂的外接数据发生和采集系统,仅需一次扫描就可以实现时序激励,但这一方法的初级版可以在绝大多数的商业AFM上实现,不需要任何外接设备。作者也将其软件开源,可以自由下载使用。

    作者将这一方法用于压电原子力显微法(PFM),研究表面粗糙的PZT陶瓷样品的力电耦合性能。通过与传统的DART比较,可以看出,SE具有非常好的空间分辨率,即使在表面起伏很大的区域也可以保真。而DART图像则有超过20%的区域因拟合失败而失真,即白色噪点所显示区域。更有意思的是,这一系列不同频率下的数据,特别适合主成分分析法(PCA)。通常,主成分分析虽然高效,但不同成分模式的物理意义并不清晰。作者通过对SHO物理模型分析,发现其泰勒展开级数与PCA不同阶成分有很好的对应关系,因而赋予了PCA成分模式明确的物理意义。针对每一个像素点的SHO拟合费时费力,而物理意义明确的PCA则可以提高数据处理速度四个数量级。因此,通过SE和PCA的结合,在这样一个具体的实例中,作者们简单高效地获取了高物理相关度的大数据,并极大加速数据解析过程、提炼其物理意义。时序激励方法(SE)也可以用于其他AFM模式,如静电力(EFM)和开尔文探针(KPFM)等。(来源:科学网)

    相关论文信息:https://doi.org/10.1093/nsr/nwy096
分享:

愚愚学园属于纯学术、非经营性专业网站,无任何商业性质,大家出于学习和科研目的进行交流讨论。

如有涉侵犯著作权人的版权等信息,请及时来信告知,我们将立刻从网站上删除,并向所有持版权者致最深歉意,谢谢。