למידת עומק מונעת-נתונים סינתטיים למיקרוסקופ כוח אטומי אוטונומי ללא תיוג

לראות את העולם הקטן בלי עיניים אנושיות

יכולתו של האדם להנדס חומרים חדשים, לחקור מכשירי אנרגיה נקייה או לבחון תאים חיים תלויה לעיתים קרובות ביכולתו לראות מבנים הקטנים פי אלף לעומת שיערה של בן־אדם. מיקרוסקופי כוח אטומי (AFM) ממפים נופים זעירים אלה בתלת־ממד, אך כיום הם עדיין תלויים במידה רבה במפעילים מומחים שצריכים להחליט היכן לסרוק ואיך לפרש את התמונות. המאמר מציג את SimuScan, שיטה ללמד מחשבים להפעיל AFM ולזהות מאפיינים ברמת הננו על ידי אימון על תמונות מדומות מציאותיות במקום על נתוני ניסוי מתויגים בעמל רב.

מדוע ההדמיה בקנה מידה ננו תקועה היום

AFM הפכו לכלים מרכזיים במדעי החומרים, מחקר אנרגיה וביולוגיה מכיוון שהם «חשים» משטחים ברזולוציה של ננומטרים. עם זאת הם איטיים, מכסים אזורים קטנים בכל פעם ודורשים החלטות רבות ממפעיל מיומן: היכן לסרוק, אילו הגדרות להשתמש ואילו צורות זעירות חשובות. בשונה ממיקרוסקופים אופטיים או אלקטרוניים שיכולים לצלם תמונות סקר רחבות, AFM נבנים שורה־שורה. בנוסף, שיטות בינה מלאכותית מודרניות שגשגות בזכות מאגרי תמונות מתויגים עצומים כמו הקיימים לתמונות יומיום — מאגרי נתונים כאלה פשוט לא קיימים עבור AFM. כל תמונת AFM מושפעת מתכונות עדינות של הכלי — רעש, עיוותים וצורת המחט — ולכן כלי ראייה ממוחשבת כלליים שאומנו על תמונות רגילות נכשלים לעתים קרובות כשמיישמים אותם ישירות.

ללמד מיקרוסקופ עם תמונות בדויות

הרעיון המרכזי של המחברים הוא לייצר ספריות עצומות של תמונות AFM סינתטיות שנראות ומתנהגות כמו האמיתיות, כולל כל הפגמים הרגילים. מסגרת העבודה SimuScan מתחילה בהגדרת הצורות שעשויות להופיע בדוגמה: קוביות ומוטות פשוטים, עצמות DNA עדינות או תאים חיידקיים שלמים. צורות אלה יכולות לנבוע מתיאורים מתמטיים, קבצי תכנון ממוחשב או אפילו משטחים תלת־ממדיים שחולצו ממספר תמונות AFM אמיתיות. SimuScan ממקם את האובייקטים הללו על מצעים מדומים שיכולים לכלול מדרגות, גסות, דפוסים תקופתיים ופסולת אקראית, ויוצר נופים מציאותיים לפני עיוות. לבסוף, המערכת מעבירה את המשטחים האלה דרך מודל קדימה מפורט של המיקרוסקופ שמוסיף את השפעות קצה המחט הסופי, תקלות במשוב, תיקונים שורה־אחר־שורה ורעש אלקטרוני. התוצאה היא תמונה שמדמה במדויק את מה ש-AFM היה מודד, לצד מפה מדויקת של "האמת הבסיסית" שמציינת את קווי המתאר של כל אובייקט.

מפיקסלים מדומים ל-AI אמין

מאחר שכל תמונה סינתטית מצורפת אליה תוויות מושלמות לכל מאפיין ופיקסל, SimuScan יכול לספק למודלים מודרניים של למידת עומק את חומר האימון העשיר שחסר בדרך כלל בהדמיה בקנה מידה ננו. הצוות בחן כמה ארכיטקטורות פופולריות — YOLOv8 לזיהוי מהיר של אובייקטים, U-Net לקבלת קווי מתאר מפורטים ו-Mask R-CNN למסכות ברמת האינסטנס — באמצעות יותר מ-5,000 תמונות סינתטיות לכל משימה. באופן מרשים, מודלים שאומנו אך ורק על מאגרי נתונים מלאכותיים אלה הציגו ביצועים חזקים כאשר הוערכו על תמונות AFM אמיתיות של ננו-מבנים ומחיידקים שעובדו בתשומת לב על ידי מומחים. ציוני זיהוי ודיוק בסגמנטציה היו גבוהים על פני צורות וסוגי תאים שונים, מה שמראה שהתמונות הסימולציה לכדו את המראה המהותי של המבנים הזעירים והארטיפקטים הנפוצים בצילומים אלה.

לתת למיקרוסקופ להחליט לאן להסתכל

החוקרים סגרו לאחר מכן את הלולאה בין סימולציה, AI והמכשיר הפיזי. בזרימת עבודה חצי־אוטונומית שלהם, ה-AFM מבצע תחילה סריקת סקירה ברזולוציה נמוכה על פני שטח יחסית גדול. מודל שאומן על נתוני SimuScan מנתח תמונה זו בזמן אמת, מוצא מבנים מעניינים — כגון צורות חיידקיות מסוימות או דפוסי ננו-ייצור ספציפיים — ובוחר אזורים מבטיחים לסריקות בזום ברזולוציה גבוהה. המיקרוסקופ נע אוטומטית, סורק מחדש וחוזר על המחזור הזה על פני הדוגמה, בהנחיית כללים פשוטים שהמשתמש מגדיר מראש כמו מספר האובייקטים הרצוי או שטח כולל לסריקה. בגישה זו המערכת יכלה למצוא ולהדמות באופן אוטונומי מאות חיידקים בודדים, ואז למדוד שונות בגודלם ובצורתם באוכלוסייה — משימה שהייתה גוזלת זמן רב אם נעשתה ידנית.

דרך חדשה למיקרוסקופים חכמים יותר

ללא־מומחה, המסקנה המרכזית היא ש-SimuScan מראה כיצד "מדומים אך מציאותיים" יכולים לסייע למיקרוסקופים להפוך לכלים נהגים‑עצמיים. על ידי סימולציה של האובייקטים הזעירים על משטח ושל קווים ייחודיים בדרך בה AFM רואה אותם, המחברים מבטלים את הצורך במאגרי אימון גדולים ומתויגים ידנית ומאפשרים למודלים כלליים של AI לפעול היטב בניסויים אמיתיים. הדבר פותח אפשרויות למחקרי AFM שיכולים לחקור אזורים גדולים יותר, לנתח הרבה יותר עצמים ולהתאים את התנהגותם תוך כדי פעולה, מה שהופך את האפיון בגדלי ננו למהיר יותר, בר־שחזור ונגיש יותר ללא מומחים. langfristig, אסטרטגיות מבוססות נתונים סינתטיים דומות יכולות לסייע להביא לפעולה אוטונומית מונחית תגליות גם לסוגים רבים אחרים של מכשירים מדעיים.

ציטוט: 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

מילות מפתח: מיקרוסקופ כוח אטומי, נתונים סינתטיים, למידת עמוק, מיקרוסקופיה אוטונומית, הדמיית ננו-מבנים