Microscopes autonomes pour naviguer à l’échelle nanométrique

Il est difficile de trouver un domaine de recherche scientifique où l’apprentissage en profondeur n’est pas considéré comme la prochaine grande chose. Les affirmations abondent : l’apprentissage en profondeur détectera les cancers ; il démêlera des structures protéiques complexes ; il révélera de nouvelles exoplanètes dans les données analysées précédemment ; il découvrira même une théorie de tout. Il n’est pas toujours facile de savoir ce qui est réel et ce qui n’est que du battage médiatique.

La microscopie est un domaine de recherche prometteur – peut-être même négligé – dans lequel l’apprentissage en profondeur est susceptible de faire sa marque. Malgré de nouvelles découvertes, le flux de travail sous-jacent de techniques telles que la microscopie à sonde à balayage (SPM) et la microscopie électronique à transmission à balayage (STEM) est resté largement inchangé depuis des décennies. Les opérateurs humains qualifiés doivent mettre en place, observer et analyser minutieusement les échantillons. L’apprentissage en profondeur a le potentiel non seulement d’automatiser de nombreuses tâches fastidieuses, mais aussi d’accélérer considérablement le temps d’analyse en se concentrant sur les caractéristiques microscopiques d’intérêt.

“Les gens ne regardent généralement que l’image et identifient quelques propriétés d’intérêt”, explique Maxim Ziatdinov, chercheur à Oak Ridge National Lab dans le Tennessee. “En gros, ils rejettent la plupart des informations, car il n’y a tout simplement aucun moyen d’extraire réellement toutes les caractéristiques d’intérêt des données.” Avec l’apprentissage en profondeur, Ziatdinov dit qu’il est possible d’extraire des informations sur la position et le type de structures atomiques (qui autrement échapperaient à l’attention) en quelques secondes, ouvrant ainsi un champ de possibilités.

C’est une torsion sur le rêve classique de faire plus avec des choses plus petites (le plus célèbre exprimé dans “There’s Plenty of Room at the Bottom” de Richard Feynman). Au lieu d’utiliser du matériel pour améliorer la résolution des microscopes, les logiciels pourraient étendre leur rôle dans le laboratoire en les rendant autonomes. “Une telle machine ” comprendra ” ce qu’elle regarde et documentera automatiquement les caractéristiques d’intérêt “, un article dans le Bulletin de la Société de recherche sur les matériaux déclare. “Le microscope saura à quoi ressemblent les différentes fonctionnalités en référençant des bases de données, ou peut être montré des exemples à la volée.”

Malgré son micropréfixe, les techniques de microscopie telles que SPM et STEM traitent en fait des objets à l’échelle nanométrique, y compris des atomes individuels. Dans SPM, une pointe nanométrique survole la surface de l’échantillon et, comme un tourne-disque, trace ses sillons. Le résultat est une image visuelle au lieu d’un signal audio. D’autre part, STEM génère une image en inondant un échantillon d’électrons et en collectant ceux qui le traversent, créant essentiellement un négatif.

Les deux techniques de microscopie permettent aux chercheurs d’observer rapidement les caractéristiques structurelles générales d’un échantillon. Des chercheurs comme Ziatdinov s’intéressent aux propriétés fonctionnelles de certaines caractéristiques comme les défauts. En appliquant un stimulus comme un champ électrique à un échantillon, ils peuvent mesurer sa réponse. Ils peuvent également utiliser les réactions de l’échantillon aux stimuli appliqués pour construire une carte fonctionnelle de l’échantillon.

Grâce à l’automatisation, les chercheurs pourraient effectuer des mesures qui n’ont jamais été accessibles.

Mais prendre des données fonctionnelles prend du temps. Zoomer sur une image structurelle pour prendre des données fonctionnelles est chronophage, et les opérateurs humains doivent faire des suppositions éclairées sur les caractéristiques qu’ils espèrent analyser. Il n’y a pas eu de méthode rigoureuse pour prédire la fonctionnalité à partir de la structure, les opérateurs ont donc simplement dû apprendre à choisir les bonnes fonctionnalités. En d’autres termes, la pointe de la microscopie est autant un art qu’une science.

L’espoir est que cette sélection de fonctionnalités fastidieuse puisse être sous-traitée à un réseau de neurones qui prédit les fonctionnalités d’intérêt et y navigue, accélérant considérablement le processus.

La microscopie automatisée est encore au stade de la preuve de concept, avec quelques groupes de chercheurs du monde entier qui élaborent les principes et effectuent des tests préliminaires. Contrairement à de nombreux domaines de l’apprentissage en profondeur, le succès ici ne consisterait pas simplement à automatiser des mesures préexistantes ; grâce à l’automatisation, les chercheurs pourraient effectuer des mesures jusqu’ici impossibles.

Ziatdinov et ses collègues ont déjà fait des progrès vers un tel avenir. Pendant des années, ils se sont assis sur des données de microscopie qui révéleraient des détails sur le graphène – quelques images qui montraient un défaut créant une contrainte dans le matériau atomiquement mince. “Nous n’avons pas pu l’analyser, car il n’y a tout simplement aucun moyen d’extraire les positions de tous les atomes”, explique Ziatdinov. Mais en entraînant un réseau neuronal sur le graphène, ils ont pu catégoriser les structures nouvellement reconnues sur les bords des défauts.

La microscopie ne se limite pas à l’observation. En faisant exploser des échantillons avec un faisceau d’électrons à haute énergie, les chercheurs peuvent déplacer la position des atomes, créant ainsi une « forge atomique ». Comme avec une forge à flots et à fer conventionnelle, l’automatisation pourrait rendre les choses beaucoup plus faciles. Une forge atomique guidée par l’apprentissage en profondeur pourrait repérer les défauts et les réparer, ou mettre des atomes en place pour former des structures complexes, 24 heures sur 24, sans erreur humaine, sans sueur ni larmes.

« Si vous voulez réellement avoir une capacité de fabrication, comme pour tout autre type de fabrication, vous devez pouvoir l’automatiser », dit-il.

Ziatdinov s’intéresse particulièrement à l’application de la microscopie automatisée aux dispositifs quantiques, comme les qubits topologiques. Les efforts pour créer ces qubits de manière fiable n’ont pas été couronnés de succès, mais Ziatdinov pense qu’il pourrait avoir la réponse. En entraînant un réseau de neurones à comprendre les fonctions associées à des fonctionnalités spécifiques, l’apprentissage en profondeur pourrait débloquer les ajustements atomiques nécessaires pour créer un qubit topologique, ce que les humains n’ont clairement pas tout à fait compris.

Comparer exactement à quelle distance nous sommes d’un avenir où la microscopie autonome aide à construire des dispositifs quantiques n’est pas facile. Il y a peu d’opérateurs humains dans le monde entier, il est donc difficile de comparer les résultats de l’apprentissage en profondeur à une moyenne humaine. On ne sait pas non plus quels obstacles poseront les plus gros problèmes pour avancer dans un domaine où la différence de quelques atomes peut être décisive.

Les chercheurs appliquent également l’apprentissage en profondeur à la microscopie à d’autres échelles. La microscopie confocale, qui fonctionne à une échelle des milliers de fois plus grande que SPM et STEM, est une technique essentielle qui donne aux biologistes une fenêtre sur les cellules. En intégrant un nouveau matériel à un logiciel d’apprentissage en profondeur, une équipe du laboratoire de biologie marine de Woods Hole, dans le Massachusetts, a considérablement amélioré la résolution des images prises à partir d’une variété d’échantillons tels que le tissu cardiaque de souris et les cellules d’ailes de mouches des fruits. Surtout, l’apprentissage en profondeur a permis aux chercheurs d’utiliser beaucoup moins de lumière pour l’imagerie, réduisant ainsi les dommages aux échantillons.
>

La conclusion d’un récent examen des perspectives de la microscopie autonome est qu’elle “permettra des opportunités et des paradigmes fondamentalement nouveaux pour la découverte scientifique”. Il reste littéralement à voir si l’apprentissage en profondeur tient ses promesses à la frontière microscopique.

.