Accelerazione della post-elaborazione dei dati della microscopia a forza atomica tomografica con Lidar Toolbox

La microscopia a forza atomica (AFM) è una tecnica fondamentale nella nanotecnologia, che consente ai ricercatori di ottenere informazioni dettagliate sulla topografia superficiale con una risoluzione subnanometrica. La tecnica prevede la scansione di una sonda affilata su un campione per mappare le caratteristiche della superficie con una precisione eccezionalmente elevata, una capacità che ha reso l'AFM uno strumento essenziale nella scienza dei materiali, nella fisica, nell'ingegneria meccanica e nella biologia, tra gli altri campi.

Nella tecnica AFM tradizionale, uno degli obiettivi è quello di ridurre al minimo la forza con cui la sonda entra in contatto con il materiale, spesso riducendo tale forza a pochi piconewton. Il mio gruppo di ricerca presso l'Università del Connecticut (UConn) capovolge questa idea, costringendo la sonda a raschiare o scavare nel campione in modo da poter misurare la piezoelettrica, la fotocorrente e altre proprietà del materiale sulla superficie o addirittura al di sotto. Questo nuovo approccio, noto come AFM tomografico (TAFM), consente la ricostruzione di un'immagine 3D del campione, rivelando strutture interne e caratteristiche del sottosuolo non rilevabili tramite l'AFM tradizionale (Figura 1).

L'elaborazione dei dati TAFM presenta una serie di sfide. Uno dei problemi principali è la scarsità di dati nella direzione z (profondità). A differenza dei metodi di imaging convenzionali che acquisiscono i dati in modo uniforme, il TAFM genera spesso un numero limitato di punti dati distribuiti in modo non lineare, soprattutto lungo l'asse z. Questa distribuzione sparsa di dati complica il processo di ricostruzione, richiedendo metodi di calcolo sofisticati per interpolare e visualizzare con precisione le informazioni mancanti da migliaia di immagini consecutive.

Il mio gruppo, gli HueyAFM Labs del Dipartimento di Scienze e Ingegneria dei Materiali dell'UConn, ha recentemente implementato un nuovo approccio per la post-elaborazione dei dati TAFM. Basato su MATLAB^®, questo nuovo approccio incorpora un uso innovativo di Lidar Toolbox™, un prodotto solitamente utilizzato dagli ingegneri del settore automotive e di altri settori per la progettazione, l'analisi e il collaudo dei sistemi di elaborazione LiDAR, per accelerare la visualizzazione e l'analisi dei dati TAFM. Le funzionalità del cloud di punti Lidar Toolbox sono particolarmente utili per la visualizzazione avanzata di dati TAFM grezzi, consentendoci di organizzare in griglia i risultati sparsi per l'esportazione in pile di immagini 3D. Oltre a semplificare attività quali l'esecuzione della segmentazione 3D, il calcolo delle normali e della curvatura della superficie e la determinazione delle dipendenze lungo vari vettori, MATLAB e Lidar Toolbox hanno ridotto il tempo necessario per post-elaborare set di dati TAFM da molte ore a pochi minuti, il che ha aumentato significativamente il ritmo e l'impatto della nostra ricerca.

Sfide con la post-elaborazione tradizionale

Il microscopio a forza atomica che utilizziamo nel nostro laboratorio (Figura 2) produce circa 100 milioni di punti dati per un singolo esperimento tomografico. Ciò include misurazioni di oltre 10 milioni di coordinate diverse lungo le direzioni x, y e z, con molteplici proprietà misurate a ciascuna coordinata, tra cui, ad esempio, forza, piezoelettricità, conduttività, fotoconduttività, potenziale superficiale, rigidità e/o campi magnetici.

Alla fine, abbiamo bisogno che le nostre visualizzazioni mostrino quella che può essere concepita come una struttura di blocchi colorati, dove il colore di ogni blocco, o voxel, indica il valore di una particolare proprietà del materiale misurata in quel piccolo volume campione. Le dimensioni x e y di questa struttura di base sono ben definite, ma la dimensione z richiede una post-elaborazione per tenere conto della scarsità e della distribuzione non uniforme dei dati che derivano dal modo in cui analizziamo dettagliatamente il campione durante i nostri esperimenti. Inizialmente abbiamo utilizzato algoritmi di interpolazione 3D in MATLAB per post-elaborare i dati sperimentali e visualizzarli a profondità uniformi. Sebbene questo approccio funzionasse, richiedeva diverse ore di elaborazione a causa delle dimensioni e della complessità dei set di dati.

Un nuovo caso d'uso per Lidar Toolbox

Mentre cercavo un modo per ridurre i tempi di post-elaborazione, mi è venuta l'idea di utilizzare le funzionalità del point cloud di Lidar Toolbox, in particolare funzioni X E E: per analizzare i dati TAFM. Ho usato rmmissing per gestire dati mancanti o punti dati talvolta mascherati per scopi di ritaglio, filtraggio o segmentazione; pcdownsample per tenere conto del volume dei dati; e pcShow per la visualizzazione.

Il vantaggio principale dell'utilizzo di Lidar Toolbox per la post-elaborazione TAFM è la velocità: È facilmente mille volte più veloce del nostro approccio precedente. Un altro vantaggio è la migliore visualizzazione, fondamentale quando esploriamo i dati. Ora possiamo ingrandire e rimpicciolire ruotando il campione per visualizzare meglio il materiale e le sue proprietà (Figura 3).

Altrettanto importante è il fatto che il nostro nuovo approccio di post-elaborazione con Lidar Toolbox abbia accresciuto la nostra fiducia nelle nostre analisi. Ad esempio, con Lidar Toolbox possiamo determinare facilmente quanti punti dati sono presenti in un dato voxel. Inoltre, possiamo scegliere la profondità di ciascun voxel, ottimizzandola in modo che la maggior parte dei voxel contenga almeno un punto dati. Come ricercatori, abbiamo una percezione molto più precisa dell'accuratezza delle nostre misurazioni. Naturalmente, quando pubblichiamo i nostri risultati, è fondamentale segnalare che non stiamo semplicemente interpolando tra punti dati sparsi, ma che disponiamo di dati reali per quasi tutti i possibili voxel nel volume analizzato (in genere almeno il 99%).

Passaggi successivi

L'integrazione Lidar Toolbox nel nostro workflow di post-elaborazione ha aperto nuove opportunità per saperne di più sui materiali che studiamo. Ad esempio, possiamo utilizzare le posizioni x, y e z per definire una superficie e poi utilizzare le funzioni Lidar Toolbox per analizzare e quantificare la curvatura di tale superficie (Figura 4).

Sappiamo che Lidar Toolbox ha funzionalità aggiuntive che non abbiamo ancora sfruttato. In futuro prevediamo di esplorarne altre. Riteniamo inoltre che l'analisi automatizzata di grandi set di dati TAFM sarà un inevitabile passo futuro. La capacità di integrare le nostre attività di post-elaborazione e di point cloud con altre funzionalità MATLAB, tra cui Machine Learning e l'intelligenza artificiale, sarà sempre più preziosa.

Questi progressi, insieme al ritmo accelerato della ricerca reso possibile da MATLAB e Lidar Toolbox, continuano ad approfondire la nostra comprensione delle proprietà dei materiali essenziali per le prestazioni di una serie di tecnologie vitali, come l'imaging sonar e ultrasonico, i dispositivi di memoria per computer, i sensori MEMS e i pannelli solari. Questa comprensione più approfondita sarà utile in tutte le fasi dell'ingegneria. In primo luogo, grazie a una conoscenza così approfondita delle proprietà dei materiali fino alla scala nanometrica, gli ingegneri possono progettare tecnologie più efficienti e affidabili. Nel back-end, possiamo valutare selettivamente le aree con prestazioni elevate o scarse a seguito dell'uso in servizio o del degrado accelerato. In definitiva, potremo così ottimizzare la funzionalità e l'affidabilità delle soluzioni basate sui materiali di prossima generazione per affrontare le sfide ingegneristiche.