澳大利亞與德國的合作證明了SPM的完全自主運(yùn)作，它應(yīng)用了人工智能和深度學(xué)習(xí)，從而消除了對人類不斷監(jiān)督的需求。

名為DeepSPM的新系統(tǒng)彌合了納米科學(xué)，自動化和人工智能(AI)之間的鴻溝，并牢固地建立了將機(jī)器學(xué)習(xí)用于實驗科學(xué)研究的用途。

FLEET首席研究員Agustin Schiffrin博士(莫納什大學(xué))說：“優(yōu)化SPM數(shù)據(jù)采集可能非常繁瑣。這種優(yōu)化過程通常是由人類實驗人員執(zhí)行的，而且鮮有報道。”

“我們新的AI驅(qū)動系統(tǒng)可以連續(xù)多個天自動運(yùn)行和獲取最佳SPM數(shù)據(jù)，而無需任何人工監(jiān)督。”

這一進(jìn)步使先進(jìn)的SPM方法論，如原子精確的納米加工和高通量數(shù)據(jù)采集，更接近于自動化的交鑰匙應(yīng)用。

新的深度學(xué)習(xí)方法可以推廣到其他SPM技術(shù)。研究人員已經(jīng)將整個框架作為開放源在線公開發(fā)布，為納米科學(xué)研究界創(chuàng)造了重要資源。

完全自主的DeepSPM

“ DeepSPM成功的關(guān)鍵是使用自學(xué)習(xí)代理，因為事先不知道正確的控制輸入，”項目共同負(fù)責(zé)人Cornelius Krull博士說。

“從經(jīng)驗中吸取教訓(xùn)，我們的代理商會適應(yīng)不斷變化的實驗條件，并找到一種維持系統(tǒng)穩(wěn)定的策略，”與莫納什物理與天文學(xué)學(xué)院的席夫林博士一起工作的克魯爾博士說。

AI驅(qū)動的系統(tǒng)從對最佳樣本區(qū)域的算法搜索開始，然后進(jìn)行自主數(shù)據(jù)采集。

然后，它使用卷積神經(jīng)網(wǎng)絡(luò)來評估數(shù)據(jù)的質(zhì)量。如果數(shù)據(jù)質(zhì)量不好，DeepSPM將使用深度強(qiáng)化學(xué)習(xí)代理來改善探針的狀況。

DeepSPM可以運(yùn)行幾天，可以連續(xù)獲取和處理數(shù)據(jù)，同時可以響應(yīng)不斷變化的實驗條件管理SPM參數(shù)，而無需任何監(jiān)督。

該研究首次結(jié)合以下方面展示了完全自主的SPM長期運(yùn)行：

一種用于樣本區(qū)域選擇和SPM數(shù)據(jù)采集的算法方法;

使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)，以對SPM數(shù)據(jù)進(jìn)行質(zhì)量評估和分類，以及

深度強(qiáng)化學(xué)習(xí)，用于動態(tài)自動原位探針管理和調(diào)節(jié)。