Unsere Seite auf

Nachrichten und Pressemeldungen aus Labor und Analytik

27.06.2016

Bessere Rasterelektronenmikroskope dank Künstlicher Intelligenz


Für eine Vielzahl von Anwendern ist "das Sehen und Verstehen" bis in den Nanobereich von unschätzbarem Wert, um den Fortschritt in Medizin, Biologie und Technik voranzutreiben. Das ambitionierte Ziel der Forschung, ein komplettes Mäusegehirn zu scannen und als digitales 3D-Modell abzubilden, um so die Funktionsweise des Gehirns am Computer zu untersuchen, ist mit heutiger Mikroskopiertechnik sowohl ökonomisch als auch technisch jedoch schlichtweg unmöglich. Auch in der Stahlindustrie und der Halbleiterbranche besteht großes Interesse daran, kleinste Strukturen in drei Dimensionen so effizient wie möglich sichtbar zu machen, um beispielsweise Materialien zu optimieren, oder Fehler in Computerchips zu finden.

Einem Team von Wissenschaftlern des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) ist in Zusammenarbeit mit der Universität des Saarlandes ein großer Schritt zur Überwindung der heutigen Begrenzungen gelungen: unter der Leitung von Dr. Tim Dahmen entwickelten die Forscher ein neues Verfahren, das es ermöglicht, extrem hochauflösende Bilder mit kürzerer Belichtungszeit pro Pixel aufzunehmen und somit sowohl wertvolle Zeit zu sparen, als auch die empfindlichen Proben weniger der schädlichen Strahlung auszusetzen.

Die neue Idee ist ebenso zukunftsträchtig wie einfach: Anstatt die Belichtung gleichverteilt auf die Probe treffen zu lassen, um ein volles Abbild zu erzeugen, schlägt das Team um Tim Dahmen eine Methode vor, die sie "Adaptive Abtastung" (Adaptive Sampling) nennen. In diesen Schemata werden Bildaufnahme und Analyse nicht mehr als getrennte Schritte behandelt. Stattdessen wird zunächst sehr grob aber effizient ein erstes Bild der Probe gesammelt. Dieses grobe Bild wird analysiert und es werden die Bereiche gesucht, in denen besondere Strukturen vorhanden sind. Auf Grundlage dieser Informationen entscheidet das Mikroskop, welche dieser Gebiete dann mit höherer Auflösung und längerer Belichtungszeit aufgenommen werden. Durch die schnellere Datenerfassung wird nicht nur die Aufnahmezeit kürzer, sondern auch die Strahlenbelastung der Probe verringert.

Projektleiter Dr. Tim Dahmen sagt: "Wir sehen Mikroskope heute noch in erster Linie als bildgebende Geräte - wie ein Fotoapparat mit starker Vergrößerung. Die Probe wird bestrahlt und ein Bild aufgenommen. Das Mikroskop der Zukunft wird grundlegend anders funktionieren. Die Beleuchtung einzelner Punkte wird erst nach sorgfältiger Abwägung durch Algorithmen geschehen, um Information genau dort zu gewinnen, wo sie benötigt werden, sowie eine These über die lokale Beschaffenheit der Probe zu bestätigen oder zu verwerfen. Das Mikroskop der Zukunft ist kein bildgebendes Gerät mehr, es ist eine intelligente, automatisierte Experimentiermaschine".

Ein erstes Design eines Mikroskops, das diese anpassungsfähige Idee aufgreift, wurde gemeinsam mit Prof. Niels de Jonge vom Leibniz Institut für Neue Materialien als Patent angemeldet. Ein Prototypsystem wurde in Zusammenarbeit zwischen dem Forschungsbereich Agenten und Simulierte Realität unter Leitung von Prof. Philipp Slusallek und der Gruppe von Prof. Frank Mücklich an der Universität des Saarlandes gebaut. In ihrer Studie konnten die Forscher zeigen, dass für bestimmte Proben die Elektronendosis und Bestrahlungszeiten um den Faktor zehn gegenüber der herkömmlichen Stichprobenerhebung reduziert werden können.

Die Industrie wurde bereits auf diese wissenschaftliche Entdeckung aufmerksam. Ende 2015 hat das DFKI eine langfristige Zusammenarbeit mit dem Weltmarktführer für Elektronenmikroskope gestartet. Die primäre Absicht dieser industriegeförderten Zusammenarbeit ist es, dieses besondere Konzept zu einem Reifeniveau zu bringen, sodass es zukünftig als integraler Bestandteil der nächsten Generation von Abtastungssystemen der Elektronenmikroskope fungieren kann.

—> Originalpublikation

Quelle: Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)




Abonnieren:

Empfehlen: