近日，我院孙强教授课题组在Journal of the American Chemical Society（JACS）上发表了最新研究成果，展示了深度学习技术在自主化扫描隧道显微镜（STM）成像中的应用。论文题目为“Autonomous Scanning Tunneling Microscopy Imaging via Deep Learning”。
STM是用于成像和操控单个原子和分子的强大工具，在纳米科技和表面科学领域具有不可替代的重要作用。然而，STM的操作依赖于高度熟练的专家进行长时间的人工干预，尤其是在需要进行长时间持续扫描和分析时，传统的手动操作和数据处理方法会导致研究效率低下。为了应对这一挑战，研究团队以推进STM技术向自动化和智能化方向发展为主要动机，结合多种深度学习技术，开发了一个自主化STM系统。通过该系统，研究团队实现了STM的自主操作，使其在无人干预的情况下长时间、高精度地获取单分子分辨率的表征图像，从而提升数据获取效率和质量。
自主STM成像系统的示意图
该系统通过卷积神经网络评估图像质量，采用语义分割和自我更新的强化学习网络实时优化探针状态，最后通过目标识别算法自动分析表面分子组成等重要实验参数。该研究实现了STM在液氮温度（~78 K）下的连续48小时无人工干预的自主表征，表征区域达到了约1.9平方微米，展示了该自主系统的高效性和鲁棒性。
这项研究有助于推动高分辨率材料成像设备的自动化与智能化，研究团队未来将进一步推动纳米材料的智能化探索和利用人工智能技术促进表面科学的研究。这一研究成果由上海大学材料基因组工程研究院独立完成，孙强教授为唯一通讯作者，第一作者为MGI博士生朱志文。MGI智能化表面化学和纳米材料课题组也将继续致力于将人工智能技术应用于科学研究，培养具备 “重基础、跨学科、国际化”理念的材料基因特色人才。
课题组网站：https://www.qiangsungroup.cn
论文链接：https://pubs.acs.org/doi/10.1021/jacs.4c11674