Pembelajaran mesin mempertajam gambar dari pemindaian mikroskop elektron transmisi

Pembelajaran mesin mempertajam gambar dari pemindaian mikroskop elektron transmisi

Stempel Waktu: 29 Maret 2023 12

gambar STEM
Sebelum dan sesudah: contoh denoising gambar yang diterapkan pada pencitraan resolusi atom dari nanopartikel emas. Di sebelah kiri adalah data eksperimen asli yang diambil. Di sebelah kanan adalah gambar yang sama setelah rekonstruksi dengan algoritma yang diusulkan. Data diperoleh pada dosis rendah (372 elektron/piksel). Gambar yang direkonstruksi sekarang praktis bebas noise dan posisi sebenarnya dari atom dapat ditentukan dengan presisi yang ditingkatkan. (Sumber: Laura Gambini/TCD)

Teknik pembelajaran mesin baru telah secara signifikan mengurangi noise pada gambar yang diambil dengan memindai mikroskop elektron transmisi (STEM). Dikembangkan oleh para peneliti di Irlandia, algoritme ini dapat mempermudah para peneliti untuk menggunakan berkas elektron lemah untuk mempelajari detail sub-nano dalam sampel yang halus.

STEM adalah salah satu alat paling kuat yang tersedia bagi para peneliti yang mempelajari struktur skala atom dan komposisi kimia dari sampel material. Berkas elektron terfokus dipindai melintasi sampel tipis dan elektron yang melewati sampel terdeteksi untuk membuat gambar. Teknik STEM modern kini telah mencapai resolusi pencitraan di bawah 0.1 nm, sehingga teknik ini mampu melihat atom individu.

Namun, mencapai resolusi tinggi membutuhkan biaya. Salah satunya adalah resolusi yang lebih tinggi sering dicapai dengan menggunakan berkas elektron dengan intensitas lebih tinggi, yang dapat merusak atau bahkan menghancurkan sampel. Sebuah contoh umum adalah knock-on damage, dimana berkas elektron yang kuat dapat menggeser posisi atom dalam sampel.

Kerusakan atau resolusi

“Mengurangi dosis elektron akan membatasi kerusakan sampel, tetapi juga kesempatan untuk mengekstraksi informasi berguna dari gambar, yang akan memiliki resolusi lebih buruk,” jelas Laura Gambini dari Trinity College Dublin, yang memimpin penelitian tersebut. “Hal ini disebabkan oleh adanya noise Poisson, yang efeknya meningkat saat jumlah elektron yang datang berkurang.”

Laura Gambini dan Tiarnan Mullarkey
Ahli mikroskop: Laura Gambini (latar depan) dan Tiarnan Mullarkey di kontrol mikroskop elektron transmisi pemindaian. (Sumber: Laura Gambini/TCD)

Karena derau Poisson adalah sifat dasar berkas elektron, ia tidak dapat dikoreksi begitu saja dengan menyesuaikan instrumen STEM, seperti halnya beberapa jenis derau lainnya. Dalam studinya, Gambini dan rekan-rekannya melihat ke algoritma pembelajaran mesin, sistem yang mempelajari cara melakukan tugas dengan memproses data pelatihan.

Dalam hal ini, tim mengeksplorasi apakah algoritme pembelajaran mesin dapat dilatih untuk mengurangi noise pada gambar STEM yang telah dipindai dengan berkas elektron dosis rendah. “Secara khusus, kami melatih autoencoder pada kumpulan data yang terbuat dari gambar STEM yang disimulasikan, berhati-hati dalam mencerminkan pengaturan mikroskop yang tepat dan variasi spesimen dalam kumpulan data kami,” jelas Gambini.

Secara khusus, para peneliti berhati-hati untuk memastikan data ini mencakup berbagai intensitas berkas elektron, dan data pelatihan mereka tidak bias terhadap sampel dengan struktur kristal periodik. Setelah melatih autoencoder mereka, Gambini dan rekannya menguji kemampuannya untuk mengurangi kebisingan Poisson dengan menggunakan sistem untuk memproses serangkaian luas gambar STEM nyata dan buatan.

Saat mereka membandingkan gambar sebelum dan sesudah diproses secara visual, mereka melihat pengurangan noise yang jelas. Untuk mengukur peningkatan ini dengan lebih tepat, mereka mengembangkan protokol pembandingan berdasarkan lokalisasi atom – yang memperkirakan posisi atom dalam sampel.

Dengan membandingkan data pembandingan ini dengan hasil eksperimen mereka, para peneliti menunjukkan kinerja yang jauh lebih baik saat menggunakan autoencoder mereka. "Singkatnya, kami telah menunjukkan bahwa gambar de-noise kami mengandung informasi yang lebih tepat daripada yang asli, dan yang diproses dengan metode lain," kata Gambini.

Seiring dengan penghilangan kebisingan, pendekatan tim menawarkan sejumlah keuntungan yang akan memudahkan integrasi dengan teknik STEM yang ada. “Algoritme kami tidak memerlukan input manusia atau pengetahuan sebelumnya tentang data, ini dapat diimplementasikan tanpa perlu membeli peralatan tambahan yang mahal untuk mikroskop, dan dapat berjalan dengan kecepatan yang kompatibel dengan akuisisi data langsung,” kata Gambini .

Tim sekarang berharap autoencoder mereka akan membuka peluang baru untuk memeriksa bahan organik dan sampel halus lainnya dalam tingkat detail yang belum pernah terjadi sebelumnya, tanpa risiko merusaknya.

Penelitian tersebut dijelaskan dalam Pembelajaran Mesin: Sains dan Teknologi.

Stempel Waktu:

Lebih dari Dunia Fisika