显微镜工作者经常希望和intuit的微观结构年代他们测量不知怎么的大部分属性相关联。然而,这种相关性很难衡量。
机器学习,特别是深入学习,是一个非常有效的工具,当试图确定的存在(或缺乏)这样的相关性与细节的能力趋势和关系,否则是很难建立。
本文扼要地介绍了深度学习工具的应用程序,如卷积神经网络(cnn),评估AFM阶段和PeakForce QNM®图像的影响共聚物(icp),聚丙烯的共混聚合物领域的橡胶微粒。
首先,cnn是用来有效地分类AFM各式各样的icp的相位图像,橡胶的形态和分布波动。
模型证明了PeakForce QNM变形通道提供最优分类的准确性。此外,回归CNN是用于关联的AFM图像大部分机械性能,在相位图像和PeakForce QNM变形通道分别应用于模型。
结果表明,PeakForce QNM数据显示优越与散装机械性能的关联,为高精度预测弯曲和杨氏模量,极限延伸率和冲击韧性。
机器学习和AFM
机器学习(ML),人工智能的一个分支,正变得越来越流行在广泛的领域,包括医疗、交通、药物和材料设计。亚博网站下载
显微镜世界也是如此,这些新工具帮助提高图像分析和解释,以及显微镜操作。
毫升工具应用显微镜的一个例子是深度学习(DL)工具的使用原子定位和分割,由模糊变清晰的干细胞图像和噪声降低。1
另一个实例是DL高分辨率超分辨率荧光显微镜来生成一个模型,有能力提高低分辨率,低信噪比数据。2
一个不太常见的应用程序已经决定组织性能的关系,尽管t . Young-Jin汉领导的一组研究人员应用毫升技术和计算机视觉预测抗压强度使用扫描电镜图像。3
毫升的应用使用扫描探针显微镜更有限,部分原因在于收购吞吐量缓慢,阻碍了建筑的大数据集通常需要高效毫升模型。
一些例外包括使用毫升促进快速扫描探针显微镜piezoresponse力显微镜,4和表面分析的参数的AFM图像膀胱细胞。5
对于本文来说,两种AFM数据调查,以确定他们的预测能力批量材料特性:阶段的数据地址材料的形态;和PeakForce QNM数据提供了形态学和定量对比材料的力学性能,包括粘附、耗散和模量。
被调查的材料是一个ICP,常见的聚合物混合使用在许多消费者欲望硬度和冲击韧性的应用程序。首先,毫升模型为ICP分类开发完全基于AFM图像。
接下来,更复杂的模型基于AFM图像是组合预测的散装icp的机械性能。
因为它能够收集更多量化机械性能信息,该PeakForce QNM icp的数据提供更好的预测和分类。
实验
所有的ICP样本cryomicrotomed与每个样本的标本。
相位成像
相位图像获得的序列5样品ICP (A2, B3, B4, C3和C5)。总共八十张图片在每个样本都被使用的力量多模®AFM和一系列的调查(k ~ 40 n / m)在不同的日子。
只有完全没有显著减少净斥力图像是包含在这项研究。所有的图像捕获阶段2赫兹扫描速度在10μm x 10μm长度范围内。
PeakForce QNM成像
PeakForce QNM图像捕获在ICP 9个样本(A2, B1, B2, B3, B4, B5, C3, C5和E4)使用力量图标®AFM。
自从PeakForce QNM图像通常比阶段花费更多的时间来获取图像,采用自动化,以提高数据采集的工作周期。
使用AutoMET®软件程序自动成像程序三个聚合物样品,随后tip-characterization样本。的聚合物样品,5扫描被抓获4µm扫描扫描速率的大小和1到1.5赫兹。
每个15的聚合物样品图片一样,一旦使用ScanAsyst提示描述样本成像®和2.5µm扫描以2:1比例大小。
45左右图像获得的9个样品。对所有测量,RTESPA 150 - 30探针的名义5 N / m弹簧常数和30纳米探针半径应用。
应该注意的是,选择这个探针由于其优化量化ICP橡胶属性,但它不是适合的测量聚丙烯的特点。总共三个探测器是用来捕获所有的图片在这个特殊的研究。
提示描述样本分析使用力量执行软件和tip-qualification特性。这一分析表明,探针的初始半径30 nm,几乎没有改变齿顶圆直径的全套测量,改变的只有2海里或少记录。
AFM图像进行预处理,阶段尺度归一化,这样绝对相度信息被删除,因此只捕获两个组件之间的相对相位差。
为PeakForce QNM数据、变形和耗散通道使用没有额外的处理。有一些噪音在DMT模数频道,发现这是随后被用作输入之前将DL模型。
机器学习
cnn通常用于图像分类。cnn与残余网络架构被用来构造回归和分类问题。合适的激活函数应用于分类和回归模型的最后一层为了计算一个类和一个值,分别。
从AFM图像捕获的系列训练数据随机分成80%和20%作为测试集来评估DL模型。数据大小是相对较低的用于训练目的。
提高五倍的训练集,数据扩增方法被采用。一组5个图像生成每个图像的旋转90度,180度,270度,翻转它颠倒。
50-layer-deep残余网络(ResNet)训练组装一个分类模型。一个Tensorflow6与Keras后端模块是用来训练模型。DL模型结构相同的阶段和PeakForce QNM数据。阶段的数据或PeakForce QNM数据集被用来训练模型。
在模型训练预测材料的属性,他们分别训练对于每个属性,生成单独的模型预测不同的属性。混淆矩阵是一个强大的工具来评估机器学习分类测试数据的准确性。
混淆矩阵,横轴表示真正的标签,而毫升模型的预测标签显示在垂直轴上。最优分析将导致非零元素沿对角线和所有零对角元素信号模型的精度100%测试数据正确分类的能力。
合作上的模型然后评估测试数据集的分类模型。综述了基于总体预测精度,预测和额外的细节显示在一个混淆矩阵。
的R2得分是用于评价回归模型:一个R2得分措施改善或恶化性能模型的性能比较的基线预测意味着每一次可能的结果的预测。
一个R2得分1.0意味着完美的预测,所以越接近R2得分是1.0(表明一个完美的预测)模型性能就越好。
R2的分数是一个合适的测量来评估模型的性能母鸡结果(数值)接近对方在预测模型(相关模型预测材料的属性)。
结果
阶段的形象代表的影响共聚物(ICP)是显示在图1。
有三个组件构成ICP材料:黄色背景页矩阵,乙丙橡胶、深棕色域和轻乙烯橡胶领域内夹杂物。
之间有许多差异不同的icp调查在这项研究中,包括密度、分布、橡胶领域/夹杂物尺寸和橡胶上的定量测量机械领域。
图1 b是一个评估PeakForce QNM模量数据样本A2, C3和C5,显示了一个相当大的差异在DMT模之间的橡胶在这三个ICP样本,在A2展示了最小值(33 MPa)和C5 4 x (130 MPa)。
图1所示。)代表图像的ICP, B) DMT橡胶模量分布域3 ICP (A2, C3, C5)。图片来源:力量纳米表面
这个量化机械信息只能通过一个AFM-based技术,如PeakForce QNM,并且可以大大提高ML模式分类和预测的准确性主要属性。
分类
毫升模型的分类不同的icp的能力评估,结果显示在混淆矩阵(图2和3)。
图2。CNN的混淆矩阵显示结果分类三个icp (A2, C3, C5)使用AFM数据:PeakForce QNM变形、PeakForce QNM耗散,DMT模数和阶段。图片来源:力量纳米表面
图3。CNN的混淆矩阵显示结果在五方五分类icp (A2, B3, B4, C3、C5)使用PeakForce QNM变形通道和相位数据。图片来源:力量纳米表面
第一,各种AFM频道显示能力准确分类不同的材料,如图2所示,在所有阶段的比较数据,该PeakForce QNM变形频道的PeakForce QNM耗散通道,和Peak亚博网站下载Force QNM DMT模数通道执行三个样品(A2, C3和C5)。
毫升模型基于PeakForce QNM变形频道提供最好的准确性为95.8%,紧随其后的是耗散通道(87.5%)和DMT模数通道精度(86.4%),与相位数据展示精度最低(78.4%)。
随后在大样本集训练模型由五个样品,包括B3和B4,难以区分的眼睛。
模型基于相位数据和PeakForce QNM变形数据对比图3中较大的样本集。毫升模型基于变形数据分类五icp 65.8%非常准确的时间,而相位数据证明了测试数据的准确性为58%。
整体性质预测
模型基于相位数据和PeakForce QNM变形数据构造和训练预测缺口悬臂梁式的散装机械性能,弯曲模量、杨氏模量和极限伸长。
DL的预测对5个样品测试数据(A2, B3, B4, C3和C5)显示在图4中,紫色的酒吧表明大部分财产,绿色禁止显示预测模型基于PeakForce QNM数据,和橙色酒吧代表基于相位数据的预测模型。
如前所述,R2评分是用来量化模型的预测精度对个人财产。
图4 e表明,所有的属性,R2评分模型基于变形通道大于阶段的数据。
极限伸长(图4 c)和杨氏模量(图4 d)有最好的准确性(两种模型),切口悬臂梁式(图4 b)显示的最小精度PeakForce QNM和相位数据。
一般趋势预测阶段,之间是相似的PeakForce QNM数据,后者通常表现出更好的性能。
考虑到PeakForce QNM变形通道交付卓越的准确性,一毫升基于形变模型的训练和测试是在更大的9个样品ICP (A2, B1, B2, B3, B4, B5, C3, C5和E4)。
毫升模型预测序列的能力五个力学性能,弯曲模量,取得悬臂梁式、杨氏模量、极限伸长和屈服强度,如图5所示。
一个模型来预测屈服强度是包含在这个大组,因为它提供了一个广阔的屈服强度值足够的频谱。
毫升模型只适合当广泛房地产试图预测。
在这个更大的样本集,弹性模量和屈服强度的优越功能演示毫升模型来预测大部分财产。结果如图4所示,取得最低的悬臂梁式预测精度在所有材料属性。
图4。结果的回归CNN five-sample ICP组预测各种散装机械性能:弯曲模量,B)缺口悬臂梁式,C)极限伸长,D)杨氏模量E) R2分数的比较各种散装ML-phase和ML-PFQNM模型属性。图片来源:力量纳米表面
讨论
有很多原因变形通道中表现最好的所有可用的AFM数据。所有的AFM数据(阶段和PeakForce QNM)提供橡胶及其夹杂物形态信息:他们的分布、密度和大小。
然而,PeakForce QNM数据量化机械提供了额外的数据,无论是悬臂到橡胶的变形(即相关系数),DMT橡胶模量或损耗的能量耗散通道与悬臂的材料。
在PeakForce QNM频道,变形通道提供了一些独特的好处。首先,它是最清洁的通道的伪噪声相对于耗散和DMT模量。
同时,变形通道比其他渠道不太容易粘连,比如耗散通道,小提示化学变化可能会影响测量。
最后,通道是直接测量变形的力曲线的方法。而耗散通道之间的测量方法和收回,收回DMT模量是衡量。
此外,有不同模量的增加误差和噪声如果偏转的转变临近Z位置的变化或者有一个粘弹性组件变形。
所有这些因素都会影响变形频道提供最好的结果毫升模型的分类和预测能力的大部分属性各种icp。
在这项研究中,大部分力学性能预测测量各种弹性和塑性性质。极限伸长是一个措施的塑性材料的百分比增加长度下前张力。
屈服强度处于弹塑性行为的边界,是测量压力出现塑性变形。缺口悬臂梁式试验措施冲击韧性,塑性。
最后,杨氏模量和弯曲模量是完全弹性。的弯曲模量和杨氏模量预测的回归毫升模型(见图5),这表明微观结构和定量变形有关这些属性。
图5。结果的回归CNN nine-sample ICP组预测各种散装机械性能:切口悬臂梁式,弯曲模量,屈服强度,D)极限伸长,E)杨氏模量。图片来源:力量纳米表面
这并不令人惊奇,因为变形材料的模量直接相关,尽管被测量的纳米PeakForce QNM通道。
相反,该模型不准确预测材料的冲击韧性的缺口悬臂梁式,显示相同的信息——至少在这4µm长度尺度——这个属性的不足。
这将打开大门,许多其他的可能性,可以进一步提高冲击韧性的预测研究,如结合不同PeakForce QNM渠道,收集数据在不同长度尺度和收集定量机械测量PP矩阵,这将需要重复使用不同的弹簧常数的测量悬臂,更适合更强硬的PP。
结束语
DL模型基于AFM的不同类型的数据可以被成功地应用于分类ICP材料和预测其力学性能。亚博网站下载
这两个数据和AFM阶段PeakForce QNM数据(DMT模量、损耗和变形)是用来构造cnn进行这种分析。
变形通道为分类提供了优越的精度测量测试ICP数据序列的5个样品。
符合这些结果,cnn装配在AFM变形数据预期的杨氏模量,弯曲模量,屈服强度、缺口悬臂梁式和极限伸长的一套更大的九ICP样本。
最准确的预测观察到与屈服强度、弯曲模量、杨氏模量。
未来预测附加属性可以提高通过探索各种长度尺度,添加额外的PeakForce QNM之外的数据通道变形和获取定量测量在聚丙烯基体材料。
引用
- R.Z. Ruoqian Lin Chunyang Wang Xiao-Qing杨,Huolin l .鑫。“TEMImageNet训练库和AtomSegNet高精度原子深度学习模型分割、定位、去噪、去模糊的原子水平的图像。5386年“2021年科学报告,11日。
- F.M. Linjing方,萨米Weiser诺瓦克,Lyndsey柯克,卡拉r . Schiavon Seungyoon b .余通,梅丽莎,凯尔Kastner,阿拉·阿卜杜勒·拉蒂夫,子君林,安德鲁·肖Yoshiyuki日本久保田公司,约翰•林业局赵张Gulcin Pekkurnaz,克里斯汀哈里斯,杰里米·霍华德和Uri庄园。基于“深度学习点扫描超分辨率成像。“自然方法2021年,18岁的406人。
- 核磁共振布莱恩·加拉格尔唐纳德•Loveland t·内森Mundhenk布鲁克波,艾米丽•罗伯逊Golam g . Jaman安娜·m·Hiszpanski和t . Yong-Jin汉族。“预测抗压强度整合分子固体使用计算机视觉和深度学习。“材亚博网站下载料与设计2020、190、108541。
- 伙夫凯利;m . Ziatdinov l·柯林斯,硕士Susner上面Vasudevan, n . Balke S.V.卡里宁,和杰西。“快速扫描探针显微镜通过机器学习:非矩形扫描与压缩传感和高斯过程优化。“小2020。
- 即sokolv,卷Dokukin诉Kalaparthi m . Miljkovic a . Wang J.D. Seigne, p . Grivas和大肠Demidenko。“非侵入性诊断成像nanoresolution细胞表面的图像使用机器学习分析:检测膀胱癌。《美国国家科学院院刊》2018、115、12920。
- m . Abadi出版社。“Tensorflow:大规模机器学习系统。”研讨会上操作系统的设计和实现2016年,265 - 283。
这些信息已经采购,审核并改编自力量提供了纳米材料表面,基于工作最初由Dalia Yablon (SurfaceChar L亚博网站下载LC沙龙MA);Ishita Chakraborty(压力工程服务,休斯顿,德克萨斯州);Krishnan艾耶希拉里Passino安东尼奥Doufas,马克西姆Shivokhin(埃克森美孚化工公司,贝城TX);和比德Pittenger和约翰·桑顿(力量纳米表面和计量、圣芭芭拉分校CA)。
在这个来源的更多信息,请访问力量纳米表面。