大數據AFM：通過時序激勵實現超分辨定量表徵

自1986年問世以來，原子力顯微鏡（AFM）已成為在納米尺度表徵功能材料最重要的手段之一。傳統的AFM通常基於諧波激勵和鎖相測量，雖然提高了信噪比，但掃描過程中通常需要頻率跟蹤，形貌干擾嚴重。而且每個像素點所得到的振幅和位相數據信息量相當有限，難以準確反映多種微觀機制共存的複雜介質全貌。近年來，大數據AFM逐漸引起人們重視，旨在通過任意波形激勵和全時域數據採集的窮荒之力(brute force), 得到樣品更準確更全面的物理信息。但一方面這需要複雜、精密、昂貴的外接數據發生和採集系統，另一方面所採集的數據也缺乏物理針對性。因此，如何簡單高效地獲取高物理相關度的大數據、如何從採集到的大數據提煉其物理意義、以及如何加速大數據解析過程，仍然是面臨AFM領域的重要命題。在更加廣義的範疇，如何從尋求關聯的大數據（big data）分析發展到尋求因果的深度數據（deep data）分析，是當前的前沿與熱點研究。

近日，美國華盛頓大學以及中國科學院深圳先進技術研究院研究團隊，受獲得2014年諾貝爾化學獎的超分辨光學顯微鏡啟發，發展了時序激勵原子力顯微方法。其基本思想，是變換不同的（固定）頻率對樣品進行多次掃描，而每一個激勵頻率會激發不同像素點的共振。這樣得到多幅圖像，再基於簡單諧振子（SHO）模型對每一個像素的一系列數據進行擬合，可以實現定量的圖像重構，達到超分辨。這一工作，近日以Mapping Intrinsic Electromechanical Responses at the Nanoscale via Sequential Excitation Scanning Probe Microscopy Empowered by Deep Data為題，在線發表於National Science Review。 博士研究生黃博遠和Ehsan Nasr Esfahani博士是論文的共同第一作者。特別值得一提的是，團隊雖然已經通過複雜的外接數據發生和採集系統，僅需一次掃描就可以實現時序激勵，但這一方法的初級版可以在絕大多數的商業AFM上實現，不需要任何外接設備。作者也將其軟體開源，可以自由下載使用。

作者將這一方法用於壓電原子力顯微法（PFM），研究表面粗糙的PZT陶瓷樣品的力電耦合性能。通過與傳統的DART比較，可以看出，SE具有非常好的空間解析度，即使在表面起伏很大的區域也可以保真。而DART圖像則有超過20%的區域因擬合失敗而失真，即白色噪點所顯示區域。更有意思的是，這一系列不同頻率下的數據，特別適合主成分分析法（PCA）。通常，主成分分析雖然高效，但不同成分模式的物理意義並不清晰。作者通過對SHO物理模型分析，發現其泰勒展開級數與PCA不同階成分有很好的對應關係，因而賦予了PCA成分模式明確的物理意義。針對每一個像素點的SHO擬合費時費力，而物理意義明確的PCA則可以提高數據處理速度四個數量級。因此，通過SE和PCA的結合，在這樣一個具體的實例中，作者們簡單高效地獲取了高物理相關度的大數據，並極大加速數據解析過程、提煉其物理意義。時序激勵方法（SE）也可以用於其他AFM模式，如靜電力（EFM）和開爾文探針（KPFM）等。（來源：科學網）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！