Improving atomic force microscopy structure discovery via style-translation

Technische Samenvatting: Verbeteren van de ontdekking van AFM-structuren via stijltranslatie

Probleemdefinitie
Atomic Force Microscopy (AFM) is een cruciaal instrument voor het visualiseren van atomaire structuren op nanoschaal, met name bij gebruik van gefunctionaliseerde tips. De interpretatie van complexe AFM-beelden vereist echter vaak deskundige intuïtie en wordt frequent gevalideerd door middel van iteratieve Density Functional Theory (DFT)-berekeningen en Probe Particle Model (PPM)-simulaties. Hoewel Machine Learning (ML)-modellen veelbelovend zijn gebleken bij het automatiseren van het inverse probleem — het direct voorspellen van atomaire configuraties vanuit AFM-beelden — wordt hun inzet gehinderd door twee primaire uitdagingen:

1. De Simulatie-naar-Real Domeingap: Modellen die getraind zijn op gesimuleerde AFM-beelden (gegenereerd via PPM) slagen er vaak niet in om te generaliseren naar experimentele data. Gesimuleerde beelden zijn geïdealiseerd, terwijl experimentele beelden ruis, artefacten en subtiele vervormingen bevatten.
2. Schaarsheid van de Grondwaarheid: Het verkrijgen van gekoppelde experimentele AFM-beelden met bekende grondwaarheid-atomaire structuren is vaak onhaalbaar, wat het moeilijk maakt om modellen direct op experimentele data te trainen of hun prestaties systematisch te evalueren op echte datasets.

Methodologie
Om deze uitdagingen aan te pakken, stellen de auteurs een datagestuurde aanpak voor die stijltranslatie integreert met structuurvoorspelling. De kernmethodologie bestaat uit de volgende componenten:

• CycleGAN-framework: De studie maakt gebruik van een Cycle-Consistent Generative Adversarial Network (CycleGAN) om de stijlkloof tussen gesimuleerde (Domein $U$) en experimentele (Domein $V$) AFM-beelden te overbruggen. In tegenstelling tot conventionele GANs die data genereren vanuit ruis, voert dit model beeld-naar-beeld translatie uit met ongepaarde datasets.
  • Generatoren ($G_U, G_V$): $G_U$ vertaalt gesimuleerde beelden naar een experimentele stijl, terwijl $G_V$ het omgekeerde uitvoert.
  • Verliesfuncties: Het trainingsdoel combineert adversarial loss (om echt van synthetisch te onderscheiden), cycle consistency loss (om te waarborgen dat $u \to \tilde{v} \to \hat{u} \approx u$) en identity loss (om onnodige transformatie van beelden die al de doelstijl benaderen, te voorkomen).
• Structuurontdekkingsmodellen: De auteurs trainen convolutionele neurale netwerken om 3D AFM-beelden in kaart te brengen naar atomaire configuraties. Ze vergelijken modellen die getraind zijn op:
  1. Zuiver gesimuleerde data ($F_U$).
  2. Gesimuleerde data met handmatig aangebrachte perturbaties (bijv. Gaussische ruis, cutouts) ($F_{\bar{V}}$).
  3. Gesimuleerde data die via CycleGAN naar een experimentele stijl is vertaald ($F_{\tilde{V}}$).
  4. Een hybride van stijltranslatie en handmatig aangebrachte perturbaties ($F_{V^\dagger}$).
• Evaluatiestrategie: Omdat grondwaarheid-atomaire structuren voor experimentele beelden niet beschikbaar zijn, introduceren de auteurs een nieuwe evaluatiemetriek gebaseerd op lokale structurele eigenschappen. In plaats van voorspellingen te vergelijken met een bekende structuur, vergelijken zij de statistische distributies van voorspelde structurele kenmerken (bijv. bindingslengtes, hoeken, tetraëdrische ordeparameters) met referentiedistributies afgeleid van first-principles simulaties (DFT).

Belangrijkste Resultaten

• Reductie van de Stijlgap: Kwantitatieve evaluatie met behulp van de Wasserstein Distance (WD) en Fréchet Inception Distance (FID) laat zien dat de CycleGAN-gebaseerde translatie de distributionele afstand tussen gesimuleerde en experimentele beelden aanzienlijk verkleint. In contrast hiermee faalden handmatig aangebrachte perturbaties (zoals het toevoegen van Gaussische ruis of salt-and-pepper ruis) om deze kloof effectief te overbruggen en vergrootten zij in sommige gevallen zelfs de afstand tot de experimentele distributie.
• Verbeterde Voorspellingsprestaties: Modellen getraind op stijl-getranslateerde data ($F_{\tilde{V}}$) en hybride data ($F_{V^\dagger}$) vertoonden superieure prestaties op experimentele inputs vergeleken met het baseline-model getraind op zuivere simulaties ($F_U$).
  • Kwalitatief gezien voorspelden de stijl-getranslateerde modellen meer atomen en vertoonden ze een verbeterde robuustheid tegen beeldruis.
  • Kwantitatief gezien, waarbij de structurele eigendomsdistributies als benchmark werden gebruikt, bereikten de stijl-getranslateerde modellen bredere verbeteringen over metrieken zoals de zuurstof-zuurstof afstand ($d_{OO}$) en waterstofbruggeometrie. Het hybride model ($F_{V^\dagger}$) bood de meest gebalanceerde en consistente prestatie over alle geëvalueerde structurele eigenschappen.
• Validatie van de Hypothese: De resultaten ondersteunen de hypothese dat het verminderen van de stijlgap in de trainingsdata de generalisatie van structuurontdekkingsmodellen naar experimentele AFM-beelden verbetert, zelfs bij afwezigheid van gelabelde experimentele grondwaarheid.

Betekenis en Claims
Het artikel claimt een nieuwe aanpak te presenteren voor het verbeteren van de efficiëntie van ML-modellen bij de analyse van oppervlakte-eigenschappen wanneer gelabelde experimentele data ontbreken. Door gebruik te maken van ongepaarde beeld-naar-beeld translatie, genereert de methode effectief trainingsdata die experimentele condities nabootst, waardoor de simulatie-naar-real domeingap wordt gemitigeerd.

De auteurs benadrukken dat hun werk een praktisch pad biedt om de kloof in AFM-structuurontdekking te dichten. Zij merken expliciet op dat hoewel structurele eigenschappen werden gebruikt voor evaluatie, deze niet werden gebruikt om de modeltraining tijdens deze studie te sturen. Het artikel concludeert door toekomstige richtingen te identificeren, zoals het integreren van deze structurele eigenschappen als beperkingen tijdens de training om fysiek onwaarschijnlijke voorspellingen te ontmoedigen, en het ontwikkelen van frameworks die betrouwbaarheidsscores bieden voor individuele atomaire voorspellingen. Het werk claimt niet het inverse probleem perfect op te lossen, maar demonstreert een significante stap naar het levensvatbaar maken van ML-gebaseerde structuurontdekking voor echte experimentele data.