ラベル不要の自律型原子間力顕微鏡のための合成データ駆動ディープラーニング

人の目なしで微小な世界を観る

新材料の設計、クリーンエネルギー機器の研究、あるいは生細胞の解析は、しばしば人の髪の毛の千分の一ほどのスケールにある構造を見る能力に依存します。原子間力顕微鏡（AFM）はこうした微小な地形を三次元で写し取れますが、現在はどこを観察し、画像をどう解釈するかといった判断を行う熟練の操作員に大きく依存しています。本論文はSimuScanを紹介します。これは、実験データを一つ一つ手作業でラベル付けする代わりに、現実に即したシミュレーション画像で機械にAFMの操作とナノスケール特徴の認識を学ばせる手法です。

なぜ現在のナノスケールイメージングは行き詰まるのか

AFMはナノメートル精度で表面を「触れる」ことができるため、材料科学、エネルギー研究、生物学で中心的なツールになっています。それでも遅く、一度にカバーできる領域が小さく、どこを走査するか、どの設定を使うか、どの小さな形状が重要かといった多くの判断を熟練者に要求します。光学顕微鏡や電子顕微鏡のように大規模な俯瞰画像を得られるわけではなく、AFMはラインごとに表面を積み上げていきます。さらに、現代の人工知能手法は日常写真向けに存在するような巨大なラベル付き画像コレクションを必要としますが、AFMにはそのようなデータセットがほとんど存在しません。各AFM画像はノイズ、歪み、プローブ形状といった微妙な機器特性の影響を受けるため、通常の写真で訓練された汎用のコンピュータビジョン手法はそのままではうまく適用できないことが多いのです。

作り物の画像で顕微鏡に教える

著者らの主要な着想は、実際の画像と同様に見え、同様に振る舞う大量の合成AFM画像ライブラリを生成することです。SimuScanフレームワークはまず、サンプル上に現れ得る形状を定義します：単純なブロックやロッド、繊細なDNAアセンブリ、あるいは一連の細菌細胞など。これらの形状は数学的記述、CADファイル、あるいは一部の実際のAFM画像から抽出した3D表面から得られます。次にSimuScanは、段差、粗さ、周期的パターン、ランダムな破片を含むような基板上にこれらの物体を配置し、現実的で事前に歪みのある地形を作ります。最後に、有限なプローブ先端の影響、フィードバックの不具合、ラインごとの補正、電子ノイズなどを加える顕微鏡の詳細なフォワードモデルを通してこれらの表面を処理します。その結果、AFMが実際に測定するような画像と、各物体の輪郭を正確に示す“グラウンドトゥルース”の対応が得られます。

シミュレーションされたピクセルから信頼できるAIへ

各合成画像にはすべての特徴とピクセルに対する完璧なラベルが付属するため、SimuScanは通常ナノスケールイメージングで不足しがちな豊富な訓練素材を現代のディープラーニングモデルに供給できます。研究チームは、物体検出の高速モデルYOLOv8、詳細な輪郭抽出に向くU-Net、インスタンスレベルのマスクを扱うMask R-CNNといった複数の一般的なアーキテクチャを、タスクごとに5,000枚以上の合成画像で訓練して検証しました。驚くべきことに、これら人工データのみで訓練したモデルは、専門家が苦労して注釈を付けた実際のナノ構造や細菌のAFM画像に対しても良好に機能しました。検出スコアやセグメンテーション精度は、形状や細胞種を問わず高く、シミュレーション画像がこれらの微小構造と共通する撮像アーティファクトの本質をとらえていることを示しました。

顕微鏡自身に観察場所を決めさせる

研究者らはシミュレーション、AI、物理機器の間のループを閉じました。彼らの半自律的ワークフローでは、AFMはまず比較的大きな領域の低解像度な概観スキャンを行います。SimuScanデータで訓練されたモデルがこの画像をリアルタイムで解析し、特定の細菌形状やナノ加工パターンのような関心対象を見つけ、ズームした高解像度走査に適した有望領域を選択します。顕微鏡は自動的に移動して再走査し、このサイクルをサンプル全体で繰り返します。ユーザーが定めた対象数や総走査面積といった単純なルールで動作を導くことが可能です。この手法により、システムは何百もの個別の細菌を自律的に見つけて画像化し、個体間のサイズや形状の変化を測定できました。これを手作業で行うのは極めて時間がかかるでしょう。

より賢い顕微鏡への新たな道

非専門家にとっての主な結論は、SimuScanが「想像上だが現実的な」データによって顕微鏡をより自律的な機器に近づけられることを示した点です。表面上の微小物体とAFMがそれらをどのように見ているかの特性の両方をシミュレートすることで、著者らは大規模な手作業によるラベル付き訓練セットの必要性をなくし、汎用のAIモデルが実験データ上でもうまく機能するようにしました。これにより、より広い領域を探索し、はるかに多くの対象を解析し、その場で動作を適応させるAFM研究が可能になり、ナノスケールの特性評価がより迅速に、再現性高く、非専門家にも利用しやすくなります。長期的には、同様の合成データ戦略が多くの他の種類の科学機器に自律的で発見志向の運用をもたらす助けになる可能性があります。

引用: 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

キーワード: 原子間力顕微鏡, 合成データ, ディープラーニング, 自律顕微鏡, ナノ構造イメージング