Машинное обучение в расшифровке начального взаимодействия зонда атомно-силового микроскопа с поверхностью

Достоверное определение начала контакта зонда атомно-силового микроскопа с поверхностью в силовых измерениях необходимо для изучения структурных и физико-механических свойств материалов. В экспериментах в воздушной среде переход от бесконтактного взаимодействия к контактному сопровождается резким ускоренным движением острия к поверхности. В случае деформируемой поверхности высокая скорость изгиба кантилевера на участке бесконтактного взаимодействия, с одной стороны, и относительно низкая частота записи данных атомно-силового микроскопа, с другой стороны, не позволяют определить начало контакта из эксперимента, опираясь на характерные точки силовой кривой. Для решения этой проблемы предлагается использовать алгоритмы машинного обучения, «натренированные» на решении множества модельных задач. Взаимодействие острия с поверхностью моделировали гармоническим осциллятором, варьируя параметры зонда, материала и динамические условия эксперимента. Использование разработанных алгоритмов продемонстрировано на примере обработки результатов индентирования полиэтилена. Полученные контактные отклонения не совпадают с имеющимися точками экспериментальных кривых.

1. Wang D, Fujinami S, Nakajima K, Nishi T. True Surface Topography and Nanomechanical Mapping Measurements on Block Copolymers with Atomic Force Microscopy. Macromolecules. 2010;43(7):3169-3172. DOI: 10.1021/ma9028695

2. Dehnert M, Spitzner E-C, Beckert F, Friedrich C, Magerle R. Subsurface Imaging of Functionalized and Polymer-Grafted Graphene Oxide. Macromolecules. 2016;49(19):7415-7425. DOI: 10.1021/acs.macromol.6b01519

3. Morozov IA. Subsurface AFM Study of Inhomogeneous Polymeric Materials. Journal of Applied Polymer Science. 2025;142(11):e56611. DOI: 10.1002/app.56611

4. Stühn L, Fritschen A, Choy J, Dehnert M, Dietz C. Nanomechanical sub-surface mapping of living biological cells by force microscopy. Nanoscale. 2019;11(27):1308913097. DOI: 10.1039/C9NR03497H

5. Gisbert VG, Garcia R. Fast and high-resolution mapping of van der Waals forces of 2D materials interfaces with bimodal AFM. Nanoscale. 2023;15(47):1919619202. DOI: 10.1039/D3NR05274E

6. Morozov IA, Izumov RI. Influence of experimental conditions on apparent AFM tip-surface contact in air. Ultramicroscopy. 2025;273:114148. DOI: 10.1016/j.ultramic.2025.114148

7. Cao Y, Yang D, Soboyejoy W. Nanoindentation Method for Determining the Initial Contact and Adhesion Characteristics of Soft Polydimethylsiloxane. J. Mater. Res. Springer Science and Business Media LLC. 2005;20(8):2004-2011. DOI: 10.1557/jmr.2005.0256

8. Garcia M, Schulze KD, O’Bryan CS, Bhattacharjee T, Sawyer WG, Angelini TE. Eliminating the surface location from soft matter contact mechanics measurements. Tribology – Materials, Surfaces & Interfaces. 2017;11(4):187-192. DOI: 10.1080/17515831.2017.1397908

9. Yang C-W, Chen C-H, Ding R-F, Liao H-S, Hwang I-S. Multiparametric characterization of heterogeneous soft materials using contact point detectionbased atomic force microscopy. Applied Surface Science. 2020;522:146423. DOI: 10.1016/j.apsusc.2020.146423

10. Hadjiiski L, Linnemann R, Stopka M, Oesterschulze E, Rangelow I, Kassing R. Application of neural networks to a scanning probe microscopy system. Thin Solid Films. 1995;264(2):291-297. DOI: 10.1016/0040-6090(95)05851-6

11. Liu Y, Sun Q, Lu W, Wang H, Sun Y, Wang Z, Lu X, Zeng K. General Resolution Enhancement Method in Atomic Force Microscopy Using Deep Learning. Advanced Theory and Simulations. 2019;2(2):1800137. DOI: 10.1002/adts.201800137

12. Li M, Rieck J, Noheda B, Roerdink JBTM, Wilkinson MHF. Stripe noise removal in conductive atomic force microscopy. Sci Rep. 2024;14(1):3931. DOI: 10.1038/s41598-024-54094-w

13. Nartova AV, Mashukov MYu, Astakhov RR, Kudinov VYu, Matveev AV, Okunev AG. Particle Recognition on Transmission Electron Microscopy Images Using Computer Vision and Deep Learning for Catalytic Applications. Catalysts. 2022;12(2):135. DOI: 10.3390/catal12020135

14. Anantatamukala A, Krishna KVM, Dahotre NB. Generative adversarial networks assisted machine learning based automated quantification of grain size from scanning electron microscope back scatter images. Materials Characterization. 2023;206:113396. DOI: 10.1016/j.matchar.2023.113396

15. Giergiel M, Zapotoczny B, Czyzynska-Cichon I, Konior J, Szymonski M. AFM image analysis of porous structures by means of neural networks. Biomedical Signal Processing and Control. 2022;71:103097. DOI: 10.1016/j.bspc.2021.103097

16. Kim Y, Gu GH, Asghari-Rad P, Noh J, Rho J, Seo MH, Kim HS. Novel deep learning approach for practical applications of indentation. Materials Today Advances. 2022;13:100207. DOI: 10.1016/j.mtadv.2022.100207

17. Weber A, Vivanco M. dM, Toca-Herrera JL. Application of self-organizing maps to AFM-based viscoelastic characterization of breast cancer cell mechanics. Sci Rep. 2023;13(1):3087. DOI: 10.1038/s41598-023-30156-3

18. Sotres J, Boyd H, Gonzalez-Martinez JF. Locating critical events in AFM force measurements by means of one-dimensional convolutional neural networks. Sci Rep. 2022;12(1):12995. DOI: 10.1038/s41598-022-17124-z

19. Jeong K, Lee H, Kwon OM, Jung J, Kwon D, Han HN. Prediction of uniaxial tensile flow using finite element-based indentation and optimized artificial neural networks. Materials & Design. 2020;196:109104. DOI: 10.1016/j.matdes.2020.109104

20. Bao M, Yang H. Squeeze film air damping in MEMS. Sensors and Actuators A: Physical. 2007;136(1):3-27. DOI: 10.1016/j.sna.2007.01.008

21. Clifford CA, Seah MP. The determination of atomic force microscope cantilever spring constants via dimensional methods for nanomechanical analysis. Nanotechnology. 2005;16(9):1666-1680. DOI: 10.1088/0957-4484/16/9/044

22. Payam AF, Morelli A, Lemoine P. Multiparametric analytical quantification of materials at nanoscale in tapping force microscopy. Applied Surface Science. 2021;536:147698. DOI: 10.1016/j.apsusc.2020.147698