تعلم عميق مدفوع بالبيانات الاصطناعية للمجهر القوة الذرية المستقل الخالي من العلامات

رؤية العالم المجهري بلا عيون بشرية

تعتمد قدرتنا على هندسة مواد جديدة، ودراسة أجهزة الطاقة النظيفة، أو فحص الخلايا الحية في كثير من الأحيان على رؤية هياكل أصغر بألف مرة من شعرة الإنسان. يمكن لمجاهر القوة الذرية (AFMs) رسم هذه المشاهد الصغيرة ثلاثية الأبعاد، لكنها لا تزال تعتمد اليوم بشكل كبير على مشغلين خبراء يجب عليهم تحديد أين ينظرون وكيف يفسرون الصور. يقدم هذا البحث SimuScan، طريقة لتعليم الحواسيب تشغيل مجاهر القوة الذرية والتعرّف على الميزات النانوية عبر تدريبها على صور محاكاة واقعية بدلاً من بيانات تجريبية مُوسومة بعناء.

لماذا يتعثر التصوير النانوي اليوم

أصبحت مجاهر القوة الذرية أدوات مركزية في علوم المواد، وأبحاث الطاقة، وعلوم الأحياء لأنها تستطيع استشعار الأسطح بدقة نانومترية. ومع ذلك فهي بطيئة، تغطي مساحات صغيرة في كل مرة، وتتطلب الكثير من القرارات من مستخدم ماهر: أين يمسح، وما الإعدادات التي يستخدمها، وأي الأشكال الصغيرة مهمة. بخلاف الميكروسكوبات الضوئية أو الإلكترونية التي يمكنها التقاط صور مسحية كبيرة، تبني AFMs الأسطح سطراً بسطر. علاوة على ذلك، تزدهر طرق الذكاء الاصطناعي الحديثة على مجموعات صور مُوسومة ضخمة مثل تلك المتاحة للصور اليومية، لكن مثل هذه المجموعات ببساطة غير متاحة لـ AFM. كل صورة AFM تتأثر بخصائص دقيقة للأداة — الضوضاء، التشوهات، وشكل المسبار — لذا غالبًا ما تفشل أدوات رؤية الآلة العامة المدربة على صور عادية عند تطبيقها مباشرة.

تعليم المجهر بصور خيالية

الفكرة الأساسية للمؤلفين هي إنشاء مكتبات واسعة من صور AFM الاصطناعية التي تبدو وتتصرف مثل الحقيقة، بما في ذلك جميع العيوب الشائعة. يبدأ إطار العمل SimuScan بتعريف الأشكال التي قد تظهر على العينة: كتل وعصي بسيطة، تراكيب DNA الدقيقة، أو خلايا بكتيرية كاملة. يمكن أن تأتي هذه الأشكال من أوصاف رياضية، أو ملفات تصميم بمساعدة الحاسوب، أو حتى أسطح ثلاثية الأبعاد مستخرجة من بعض صور AFM الحقيقية. ثم يضع SimuScan هذه الأجسام على ركائز محاكاة يمكن أن تتضمن درجات، خشونة، أنماط دورية، وحطام عشوائي، مكونًا مناظر طبيعية واقعية ما قبل التشويه. أخيرًا، يمرر هذه الأسطح عبر نموذج أمامي مفصل للمجهر يضيف تأثيرات طرف مسبار محدود، أعطال التحكم، تصحيحات سطر-بسطر، والضوضاء الإلكترونية. النتيجة صورة تحاكي عن كثب ما سيقيسه الـ AFM، مصحوبة بخريطة "حقيقة أساسية" دقيقة لمخطط كل جسم.

من البكسلات المحاكاة إلى ذكاء اصطناعي موثوق

بما أن كل صورة اصطناعية تأتي مع وسوم مثالية لكل ميزة وبكسل، يمكن لـ SimuScan تغذية نماذج التعلم العميق الحديثة بنوع المواد التدريبية الغنية التي عادة ما تفتقر إليها التصوير النانوي. اختبر الفريق عدة بنى شعبية—YOLOv8 لكشف الأشياء السريع، U-Net للتخطيطات المفصلة، وMask R-CNN لأقنعة حسب الكيان—باستخدام أكثر من 5000 صورة اصطناعية لكل مهمة. بشكل ملحوظ، أدت النماذج المدربة فقط على هذه المجموعات الاصطناعية أداءً قويًا عند تقييمها على صور AFM حقيقية لبنى نانوية مصنعة وبكتيريا تمت وسمها بعناية من قبل خبراء. كانت درجات الكشف ودقة التقسيم عالية عبر أشكال وأنواع خلايا مختلفة، مما يدل على أن الصور المحاكاة قد التقطت المظهر الأساسي لهذه الهياكل الصغيرة والآثار الشائعة في التصوير.

ترك المجهر يقرر أين ينظر

ثم أغلق الباحثون الحلقة بين المحاكاة والذكاء الاصطناعي والجهاز الفيزيائي. في سير العمل شبه المستقل لديهم، يأخذ AFM أولاً مسحًا عامًا منخفض الدقة على مساحة نسبياً كبيرة. يحلل نموذج مدرب على بيانات SimuScan هذه الصورة في الوقت الفعلي، ويجد هياكل ذات اهتمام — مثل أشكال بكتيرية معينة أو أنماط نانوية مصنعة محددة — ويختار مناطق واعدة لمسوح مكبرة وعالية الدقة. يتحرك المجهر تلقائيًا، يعيد المسح، ويكرر هذه الدورة عبر العينة، موجهًا بقواعد بسيطة يحددها المستخدم مثل عدد الأجسام المرغوب أو المساحة الإجمالية المطلوب تغطيتها. باستخدام هذا النهج، تمكن النظام من العثور على مئات البكتيريا الفردية وتصويرها تلقائيًا، ثم قياس التباينات في حجمها وشكلها عبر مجموعة، وهو ما كان سيكون مستهلكًا للوقت إلى حد يمنع إنجازه يدويًا.

طريق جديد نحو مجاهر أذكى

لغير المتخصص، الخلاصة الرئيسية هي أن SimuScan يبيّن كيف يمكن للبيانات "الخيالية لكن الواقعية" أن تساعد المجاهر لتصبح أشبه بأدوات ذاتية القيادة. عن طريق محاكاة كل من الأجسام الصغيرة على السطح وخصوصيات كيفية رؤيتها AFM، يزيل المؤلفون الحاجة إلى مجموعات تدريب يدوية كبيرة مُوسومة ويتيحون نماذج ذكاء عامة أن تعمل جيدًا على تجارب حقيقية. هذا يفتح دراسات AFM التي يمكنها استكشاف مساحات أكبر، تحليل عدد أكبر من الأجسام، وتكييف سلوكها أثناء التشغيل، مما يجعل توصيف النطاق النانوي أسرع وأكثر قابلية للتكرار ومتاحة لغير الخبراء. على المدى الطويل، قد تساعد استراتيجيات البيانات الاصطناعية المماثلة في إضفاء التشغيل المستقل المدفوع بالاكتشاف على العديد من أنواع الأدوات العلمية الأخرى.

الاستشهاد: Millan-Solsona, R., Checa, M., Brown, S.R. et al. Synthetic data-driven deep learning for label-free autonomous atomic force microscopy. Nat Commun 17, 3886 (2026). https://doi.org/10.1038/s41467-026-70421-3

الكلمات المفتاحية: المجهر بالقوة الذرية, البيانات الاصطناعية, التعلم العميق, المجهرية المستقلة, تصوير البنى النانوية