Beschleunigung der Nachbearbeitung tomografischer Rasterkraftmikroskopiedaten mit der Lidar Toolbox

Die Rasterkraftmikroskopie (AFM) ist eine grundlegende Technik in der Nanotechnologie. Sie ermöglicht es Forschern, detaillierte Einblicke in die Oberflächentopographie mit einer Auflösung im Subnanometerbereich zu erhalten. Bei dieser Technik wird eine Probe mit einer scharfen Sonde abgetastet, um Oberflächenmerkmale mit außergewöhnlich hoher Präzision abzubilden – eine Fähigkeit, die AFM zu einem wichtigen Werkzeug unter anderem in den Materialwissenschaften, der Physik, dem Maschinenbau und der Biologie gemacht hat.

Bei herkömmlichen AFM besteht eines der Ziele darin, die Kraft, mit der die Sonde das Material berührt, zu minimieren. Häufig wird diese Kraft auf wenige Piconewton reduziert. Meine Forschungsgruppe an der University of Connecticut (UConn) stellt diese Idee auf den Kopf, indem sie die Sonde zwingt, an der Probe zu kratzen oder sich in sie hineinzugraben, sodass wir Piezoreaktion, Fotostrom und andere Materialeigenschaften an oder sogar unter der Oberfläche messen können. Dieser neuartige Ansatz – bekannt als tomografisches AFM (TAFM) – ermöglicht die Rekonstruktion eines 3D-Bildes der Probe und enthüllt innere Strukturen und Merkmale unter der Oberfläche, die mit herkömmlichem AFM nicht erkennbar sind (Abbildung 1).

Die Verarbeitung von TAFM-Daten bringt eine Reihe eigener Herausforderungen mit sich. Ein großes Problem ist die Datenknappheit in Z-Richtung (Tiefe). Im Gegensatz zu herkömmlichen Bildgebungsverfahren, die Daten gleichmäßig erfassen, generiert TAFM häufig eine begrenzte Anzahl nichtlinear verteilter Datenpunkte, insbesondere entlang der Z-Achse. Diese spärliche Datenverteilung erschwert den Rekonstruktionsprozess und erfordert anspruchsvolle Rechenmethoden, um die fehlenden Informationen aus Tausenden aufeinanderfolgender Bilder genau zu interpolieren und zu visualisieren.

Meine Gruppe, die HueyAFM Labs in der Abteilung für Materialwissenschaft und Werkstofftechnik an der UConn, hat vor Kurzem einen neuen Ansatz zur Nachbearbeitung von TAFM-Daten implementiert. Basierend auf MATLAB^® beinhaltet dieser neue Ansatz eine innovative Nutzung der Lidar Toolbox™ – ein Produkt, das typischerweise von Ingenieuren in der Automobilindustrie und anderen Branchen für die Entwicklung, Analyse und Prüfung von Lidar-Verarbeitungssystemen verwendet wird – um die Visualisierung und Analyse von TAFM-Daten zu beschleunigen. Die Punktwolkenfunktionen der Lidar Toolbox sind besonders nützlich für die erweiterte Visualisierung von Rohdaten des TAFM, da sie es uns ermöglichen, die spärlichen Ergebnisse für den Export in 3D-Bildstapel zu rastern. MATLAB und Lidar Toolbox vereinfachen nicht nur Aufgaben wie die Durchführung einer 3D-Segmentierung, die Berechnung von Oberflächennormalvektoren und -krümmung sowie die Bestimmung von Abhängigkeiten entlang verschiedener Vektoren, sondern haben auch die für die Nachbearbeitung von TAFM-Datensätzen erforderliche Zeit von vielen Stunden auf nur wenige Minuten reduziert, was das Tempo und die Wirkung unserer Forschung deutlich erhöht hat.

Herausforderungen bei der herkömmlichen Nachbearbeitung

Das Rasterkraftmikroskop, das wir in unserem Labor verwenden (Abbildung 2), erzeugt für ein einzelnes tomografisches Experiment ungefähr 100 Millionen Datenpunkte. Dies umfasst Messungen an mehr als 10 Millionen verschiedenen Koordinaten entlang der x-, y- und z-Richtung, wobei an jeder Koordinate mehrere Eigenschaften gemessen werden, darunter beispielsweise Kraft, Piezoelektrizität, Leitfähigkeit, Fotoleitfähigkeit, Oberflächenpotenzial, Steifheit und/oder Magnetfelder.

Letztendlich müssen unsere Visualisierungen eine Art Struktur aus farbigen Bausteinen darstellen, wobei die Farbe jedes Blocks – oder Voxels – den Wert einer bestimmten gemessenen Materialeigenschaft in diesem winzigen Probenvolumen angibt. Die x- und y-Dimensionen dieser Bausteinstruktur sind wohldefiniert, die z-Dimension erfordert jedoch eine Nachbearbeitung, um die Spärlichkeit und ungleichmäßige Verteilung der Daten zu berücksichtigen. Dies ergibt sich durch die detaillierte Art, wie wir bei unseren Experimenten in die Probe eindringen. Zunächst verwendeten wir 3D-Interpolationsalgorithmen in MATLAB, um die experimentellen Daten für die Visualisierung in gleichmäßigen Tiefen nachzubearbeiten. Dieser Ansatz funktionierte zwar, erforderte jedoch aufgrund der Größe und Komplexität der Datensätze mehrere Stunden Verarbeitungszeit.

Ein neuartiger Anwendungsfall für die Lidar Toolbox

Auf der Suche nach einer Möglichkeit, die Nachbearbeitungszeit zu verkürzen, kam ich auf die Idee, die Punktwolkenfunktionen der Lidar Toolbox zum Analysieren von TAFM-Daten zu nutzen – insbesondere die X- und Y-Funktionen. Ich habe rmmissing benutzt, um mit fehlenden Daten oder Datenpunkten umzugehen, die manchmal zum Zuschneiden, Filtern oder Segmentieren ausgeblendet werden, pcdownsample, um dem Datenvolumen Rechnung zu tragen und pcShow zur Visualisierung.

Der Hauptvorteil der Verwendung der Lidar Toolbox für die TAFM-Nachbearbeitung ist die Geschwindigkeit: Sie ist locker tausendmal schneller als unser bisheriger Ansatz. Ein weiterer Vorteil ist die verbesserte Visualisierung, die bei der Untersuchung der Daten von entscheidender Bedeutung ist. Jetzt können wir die Probe drehen und vergrößern, um das Material und seine Eigenschaften besser zu visualisieren (Abbildung 3).

Ebenso wichtig ist, dass unser neuer Nachbearbeitungsansatz mit Lidar Toolbox unser Vertrauen in unsere Analyse gestärkt hat. Mit der Lidar Toolbox können wir beispielsweise leicht bestimmen, wie viele Datenpunkte in einem bestimmten Voxel vorhanden sind. Darüber hinaus können wir die Tiefe jedes Voxels wählen und diese Tiefe so optimieren, dass die meisten Voxel mindestens einen Datenpunkt enthalten. Als Forscher haben wir ein viel besseres Gespür für die Genauigkeit unserer Messungen. Wenn wir unsere Ergebnisse veröffentlichen, müssen wir natürlich unbedingt darauf hinweisen, dass wir nicht einfach zwischen spärlichen Datenpunkten interpolieren, sondern dass wir für nahezu alle möglichen Voxel im analysierten Volumen (normalerweise mindestens 99%) echte Daten haben.

Nächste Schritte

Durch die Einbindung der Lidar Toolbox in unseren Nachbearbeitungs-Workflow haben sich neue Möglichkeiten eröffnet, mehr über die von uns untersuchten Materialien zu erfahren. Beispielsweise können wir die X-, Y- und Z-Positionen verwenden, um eine Oberfläche zu definieren und dann die Funktionen der Lidar Toolbox nutzen, um die Krümmung dieser Oberfläche zu analysieren und zu quantifizieren (Abbildung 4).

Wir wissen, dass die Lidar Toolbox über zusätzliche Funktionen verfügt, die wir noch anwenden müssen. Wir planen, in Zukunft noch mehr davon zu erkunden. Darüber hinaus betrachten wir die automatisierte Analyse großer TAFM-Datensätze als einen unvermeidlichen zukünftigen Schritt. Die Möglichkeit, unsere Nachbearbeitungs- und Punktwolkenaktivitäten mit anderen MATLAB-Funktionen – einschließlich Machine Learning und KI – zu integrieren, wird zunehmend wertvoller.

Diese Fortschritte sowie das durch MATLAB und Lidar Toolbox ermöglichte erhöhte Forschungstempo vertiefen unser Verständnis der Materialeigenschaften weiter, die für die Leistung einer Vielzahl wichtiger Technologien von entscheidender Bedeutung sind, wie etwa Sonar- und Ultraschallbildgebung, Computerspeicherbausteine, MEMS-Sensoren und Solarmodule. Dieses tiefere Verständnis wird in allen Phasen der Entwicklung hilfreich sein. Vorwärtsgerichtet können Ingenieure – ausgestattet mit einem derart umfassenden Wissen über Materialeigenschaften bis in den Nanobereich – effizientere und zuverlässigere Technologien entwickeln. Bei der Nachbetrachtung können wir gezielt Bereiche mit hoher oder niedriger Leistung nach Einsatz im Betrieb oder beschleunigter Abnutzung bewerten. Letztendlich können wir so die Funktionalität und Zuverlässigkeit der materialbasierten Lösungen der nächsten Generation für technische Herausforderungen optimieren.