ИИ научили управлять атомно-силовыми микроскопами и находить наноструктуры без помощи экспертов

Атомно-силовые микроскопы (AFM) позволяют видеть структуры размером с молекулы, но их работа требует опыта: специалист должен решить, где сканировать, как настроить параметры и какие детали заслуживают более внимательного изучения. Это замедляет масштабные исследования и делает результаты зависимыми от квалификации оператора.

Проблема: опыт вместо данных

«Управление атомно-силовым микроскопом похоже на пилотирование современного реактивного самолёта, — сказал Лиам Коллинз, старший научный сотрудник Oak Ridge. — Оборудование имеет невероятные возможности, но полное их использование часто требует опытного пилота». Руб Миллан Сольсона, технический специалист лаборатории, добавил: «Вызов не только в получении изображения, но и в понимании того, что на нём изображено, определении важности и решении, куда микроскопу смотреть дальше».

Почему ИИ не работал раньше

AFM-изображения принципиально отличаются от фотографий. Если камера записывает отражённый свет, то микроскоп работает как «высокотехнологичная игла проигрывателя, ощупывающая ландшафт». На результат влияют не только образец, но и геометрия зонда, дрейф сканера, электрический шум, загрязнения и шероховатость поверхности. Опытные пользователи учатся различать артефакты и реальные наноструктуры, но ИИ нужно этому обучать. Главная проблема: экспертов вручную размечают очень мало AFM-изображений, в отличие от обычных фотографий или медицинских снимков.

Решение: синтетические данные с реальными недостатками

SimuScan генерирует искусственные AFM-изображения с автоматическими метками, привязанными к геометрии смоделированных объектов. Ключевое отличие: синтетические изображения не идеальны. Система воспроизводит реальные несовершенства — эффекты зонда, дрейф сканера, электрический шум, загрязнения и шероховатость. Коллинз сравнил это так: «Истинный тест реалистичности — может ли ИИ, обученный в авиасимуляторе, успешно приземлить реальный самолёт в шторм».

Как это работает на практике

Система использует замкнутый цикл целевого сканирования. Сначала микроскоп проводит быстрое низкоразрешающее сканирование большой области. ИИ определяет и выделяет особенности, ранжирует потенциальные цели по критериям, установленным исследователем, и направляет микроскоп в области, где вероятнее всего найти научно значимую информацию. Процесс может повторяться. Автономность намеренно ограничена: учёный по-прежнему ставит цели — что искать, какие ограничения соблюдать и когда остановиться.

Что показали тесты

Команда продемонстрировала, что модели, обученные в основном на синтетических данных, успешно переносятся на реальные AFM-изображения. Тесты охватили искусственные наноструктуры, ДНК-сборки и бактериальные клетки. Наибольшие ошибки часто возникали из-за фона: реальные материалы содержат регулярные наноструктуры — атомные террасы, границы зёрен, периодические узоры — которые сбивают модели с толку. Плотные скопления или перекрывающиеся объекты, такие как соприкасающиеся бактериальные клетки, остаются сложными даже для людей.

Что дальше

Коллинз и Миллан Сольсона подчеркнули, что для массового внедрения SimuScan нужна лучшая интеграция с программным обеспечением микроскопов и простые способы проверки надёжности ИИ-моделей при изменении условий. Результаты исследования опубликованы в Nature Communications.