Nature communications：基于无监督流形学习的高精度扫描探针成像的方法体系

扫描探针（SPM）功能成像已经被广泛用于诸多纳米材料领域中。扫描探针频谱分析的目标是从悬臂的动态特征来推断材料的结构和功能：特别是过去十年间，扫描探针技术在多通道，宽频带/高维数据收集方面取得了显著进展，同时也带来了对数据分析方法的新的挑战和机遇。任何多频/多维SPM信号分析方法的显著改进都可能促进诸多材料领域里的进步。

近日，来自美国橡树岭国家实验室的 Xin Li 和 Sergei Kalinin 提出了基于流形学习（manifold learning）和图论的无监督学习方法。该方法能够高效地从高维扫描探针信号中多层次的提取具有丰富局部细节的结构特征，进一步实现去噪，分类和高精度功能成像。为了展示这一方法的普适性，他们将这一方法应用在频带激励（BE-SPM）和 三维 （3D-AFM）原子力扫描探针上，并展示了聚合物机械性能的高精度成像和在原子分辨率上对方解石不规则水化结构的解析。该成果以“High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping”为题发表在《自然通讯》上。

【图文导读】

图一：概念图-从低维流形空间到物理体系的推理

图二：一个简单的流形学习和聚类的示例

四组高斯曲线在流形空间的分布和聚类。通过Graph-Bootstrapping(GB)-图的自抽样，流形空间上的点阵变得更加简洁清晰。

图三：高维扫描探针信号在流形空间的分布

通过图的自抽样（Graph-Bootstrapping), 能够将更深层的结构细节展现出来。

图四：在频带激励扫描探针（BE-SPM）上的应用

流形空间里其中的三个聚类在材料结构上的映射和相对应的BE-SPM 信号

图五：在三维原子力扫描探针（3D-AFM）上的应用

对方解石不规则水化结构的解析

【小结】
该研究提出了一种通用的对高维扫描探针频谱的定量可视化算法。基于流形学习（manifold-learning）和图的自抽样（graph-bootstrapping），该方法能够高效地分层次地揭示具有丰富局部细节的材料结构特征，进一步实现去噪，分类和高分辨率功能成像。该方法体系有望开启新的途径来加速对耦合在材料和成像系统之间的物理体系的探索发现。

【文献链接】
Li, Xin, Liam Collins, Keisuke Miyazawa, Takeshi Fukuma, Stephen Jesse, and Sergei V. Kalinin. "High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping." Nature communications 9, no. 1 (2018): 2428.https://www.nature.com/articles/s41467-018-04887-1

本文由Xin Li 供稿

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。

投稿及内容合作请加微信cailiaokefu。