Aceleración del posprocesamiento de datos de microscopía de fuerza atómica tomográfica con Lidar Toolbox

La microscopía de fuerza atómica (AFM) es una técnica fundamental en nanotecnología, que permite a los investigadores obtener información detallada de la topografía de la superficie con una resolución subnanométrica. La técnica implica escanear una muestra con una sonda afilada para mapear las características de la superficie con una precisión excepcionalmente alta, una capacidad que ha hecho del AFM una herramienta vital en la ciencia de los materiales, la física, la ingeniería mecánica y la biología, entre otros campos.

En AFM tradicional, uno de los objetivos es minimizar la fuerza con la que la sonda hace contacto con el material, a menudo reduciendo esta fuerza a meros piconewtons. Mi grupo de investigación de la Universidad de Connecticut (UConn) transforma esta idea radicalmente al forzar que la sonda a raspe o penetre en la muestra para poder medir la piezorespuesta, la fotocorriente y otras propiedades del material en, o incluso por debajo, de la superficie. Este enfoque novedoso, conocido como AFM tomográfica (TAFM), permite la reconstrucción de una imagen 3D de la muestra, revelando estructuras internas y características del subsuelo indetectables con AFM tradicional (Figura 1).

El procesamiento de datos de TAFM conlleva sus propios desafíos. Un problema importante es la escasez de datos en la dirección z (profundidad). A diferencia de los métodos convencionales de obtención de imágenes que capturan datos de manera uniforme, TAFM a menudo genera un número limitado de puntos de datos distribuidos de forma no lineal, especialmente a lo largo del eje z. Esta escasa distribución de datos complica el proceso de reconstrucción y requiere métodos computacionales sofisticados para interpolar y visualizar con precisión la información faltante de miles de imágenes consecutivas.

Mi grupo de HueyAFM Labs en el Departamento de Ciencia e Ingeniería de Materiales de la UConn, ha implementado recientemente un nuevo enfoque para el posprocesamiento de datos de TAFM. Basado en MATLAB^®, este nuevo enfoque para acelerar la visualización y el análisis de datos de TAFM incorpora un uso innovador de Lidar Toolbox™, un producto utilizado habitualmente por ingenieros de la industria automotriz y otras industrias para el diseño, análisis y prueba de sistemas de procesamiento de LiDAR. Las prestaciones de nube de puntos de Lidar Toolbox son particularmente útiles para la visualización avanzada de datos de TAFM no procesados, lo que permite cuadricular los resultados dispersos para exportarlos a pilas de imágenes 3D. Además de simplificar tareas de segmentación 3D, cálculo de normales y curvaturas de superficie, y la determinación de dependencias a lo largo de varios vectores, MATLAB y Lidar Toolbox han reducido el tiempo de posprocesamiento de conjuntos de datos de TAFM de muchas horas a solo minutos, lo que ha aumentado significativamente el ritmo y el impacto de nuestra investigación.

Desafíos del posprocesamiento tradicional

El microscopio de fuerza atómica que utilizamos en el laboratorio (Figura 2) produce aproximadamente 100 millones de puntos de datos en un solo experimento tomográfico. Esto incluye mediciones en más de 10 millones de coordenadas diferentes a lo largo de las direcciones x, y, z, con múltiples propiedades medidas en cada coordenada, como fuerza, piezoelectricidad, conductividad, fotoconductividad, potencial de superficie, rigidez y campos magnéticos.

En última instancia, necesitamos que las visualizaciones muestren una estructura de bloques de construcción coloreados, donde el color de cada bloque (o vóxel) indica el valor de una propiedad material particular medida en ese pequeño volumen de muestra. Las dimensiones x - y de esta estructura de bloques de construcción están bien definidas, pero la dimensión z requiere posprocesamiento para tener en cuenta la escasez y la distribución no uniforme de los datos que son el resultado de cómo analizamos en detalle la muestra durante los experimentos. Inicialmente, utilizamos algoritmos de interpolación 3D en MATLAB para posprocesar los datos experimentales para visualización a profundidades uniformes. Si bien este enfoque funcionó, requirió varias horas de procesamiento debido al tamaño y la complejidad del conjunto de datos.

Un uso diferente de Lidar Toolbox

Mientras buscaba una forma de acortar el tiempo de posprocesamiento, se me ocurrió utilizar las prestaciones de nube de puntos de Lidar Toolbox, específicamente las funciones X e Y para analizar datos de TAFM. Utilicé rmmissing para datos o puntos de datos ausentes que a veces quedan enmascarados por recorte, filtrado o segmentación; pcdownsample para el volumen de datos; y pcShow para visualización.

El principal beneficio de utilizar Lidar Toolbox para el posprocesamiento de TAFM es la velocidad: Es mil veces más rápido que nuestro enfoque anterior. Otro beneficio es una mejor visualización, que es crucial cuando exploramos datos. Ahora podemos acercar y alejar la imagen mientras giramos la muestra para visualizar mejor el material y sus propiedades (Figura 3).

El nuevo enfoque de posprocesamiento con Lidar Toolbox ha aumentado nuestra confianza en el análisis. Por ejemplo, con Lidar Toolbox podemos determinar fácilmente cuántos puntos de datos están presentes en un vóxel determinado. Además, podemos elegir la profundidad de cada vóxel, optimizando la profundidad para que la mayoría de los vóxeles contengan al menos un punto de datos. Como investigadores, tenemos una mejor idea de la precisión de las mediciones. Es fundamental destacar que no estamos simplemente interpolando entre puntos de datos dispersos. Contamos con datos reales para casi todos los vóxeles posibles en el volumen analizado (normalmente al menos el 99%).

Próximos pasos

La incorporación de Lidar Toolbox al flujo de trabajo de posprocesamiento nos ha permitido aprender más sobre los materiales que estudiamos. Por ejemplo, podemos utilizar las posiciones x, y, z para definir una superficie y utilizar las funciones de Lidar Toolbox para analizar y cuantificar la curvatura de la superficie (Figura 4).

Sabemos que Lidar Toolbox tiene prestaciones adicionales que aún no hemos utilizado. En el futuro, planeamos explorarlos. También consideramos el análisis automatizado de grandes conjuntos de datos de TAFM como un paso fundamental a seguir. Resulta imperativo integrar actividades de posprocesamiento y nube de puntos con otras prestaciones de MATLAB, Machine Learning e IA.

Estos avances, junto con el ritmo acelerado de investigación que MATLAB y Lidar Toolbox posibilitan, continúan profundizando nuestra comprensión de las propiedades de los materiales esenciales para el desempeño de una serie de tecnologías vitales como imágenes por sonar y ultrasónicas, dispositivos de memoria de computadora, sensores de MEMS y paneles solares. Esta comprensión ayudará en todas las fases de la ingeniería. Por un lado, con un conocimiento completo de las propiedades de materiales hasta la nanoescala, los ingenieros pueden diseñar tecnologías más eficientes y confiables. Por el otro, luego de la puestas en servicio o degradación acelerada, podemos evaluar selectivamente regiones de alto o bajo rendimiento. En última instancia, podemos así optimizar la funcionalidad y confiabilidad de las soluciones basadas en materiales de próxima generación para enfrentar desafíos de ingeniería.