Aprendizado profundo baseado em dados sintéticos para microsscopia de força atômica sem rótulo

A microsscopia de força atômica (AFM) é uma ferramenta amplamente utilizada para caracterização em escala nanométrica em ciência dos materiais, pesquisa em energia e biologia. No entanto, sua adoção em descoberta de materiais de alto rendimento e estudos guiados por estatísticas permanece limitada devido à forte dependência da entrada de operadores especializados e à escassez de conjuntos de dados experimentais de AFM anotados necessários para permitir a automação baseada em dados. Aqui, introduzimos o SimuScan, uma estrutura orientada a dados sintéticos que possibilita a identificação de características de AFM, segmentação e imagem direcionada de forma confiável, sem exigir grandes conjuntos de dados experimentais rotulados manualmente. O SimuScan gera imagens sintéticas de AFM de alta fidelidade e ajustáveis de morfologias definidas, incorporando artefatos experimentais realistas, incluindo convolução ponta-amostra, ruído, distorções de achatamento e detritos de superfície. Esses conjuntos de dados demonstram suportar treinamento escalável e sem rótulo de modelos modernos de aprendizado profundo para análise de AFM. Quando integrados em fluxos de trabalho de AFM orientados a dados, os modelos treinados pelo SimuScan podem localizar e analisar estruturas em escala nanométrica em grandes conjuntos de dados e guiar a imagem de seguimento direcionada. Validamos essa abordagem em superfícies nanoestruturadas, montagens de DNA e células bacterianas, demonstrando robusta generalização entre diversos tipos de amostras com mínima intervenção do operador. De forma mais ampla, este trabalho estabelece uma estratégia geral para gerar dados sintéticos explicitamente condicionados e relevantes para a tarefa, a fim de melhorar a confiabilidade dos modelos posteriores em microsscopia autônoma.