AI 助攻原子力顯微鏡，ORNL 開發 SimuScan 系統加速奈米研究
美國能源部橡樹嶺國家實驗室（ORNL）近日發表「SimuScan」人工智慧框架，專為原子力顯微鏡（AFM）設計，能協助儀器更快速地鎖定樣本最具研究價值的奈米特徵，並自動將後續的精細掃描導向最關鍵的區域。論文刊登於《Nature Communications》期刊。
儘管 AFM 具備觀測分子級微小結構的強大能力，但其實際操作極度仰賴專家的經驗判斷──包含選擇掃描位置、調整參數，以及決定哪些影像特徵值得深入追蹤。ORNL 團隊指出，這種對專業人力的依賴不僅拖延了大型研究的進度，也使實驗結果易受操作者個人經驗的影響。SimuScan 的誕生正是為了將這些繁瑣的決策流程交由 AI 處理，讓科學家能將寶貴時間專注於「解讀數據」，而非耗費心力「尋找目標」。
突破標註資料匱乏瓶頸：刻意保留瑕疵的合成影像
針對 AI 模型常面臨的「真實標註資料匱乏」痛點，SimuScan 採用了以逼真合成影像進行訓練的核心策略。該系統不僅能生成虛擬影像，還會自動產出對應幾何結構的標籤，免除耗時的人工逐張標註。更重要的是，為了確保合成資料能無縫接軌真實實驗環境，系統刻意不生成「完美圖像」，而是真實保留了探針效應、掃描漂移、電子雜訊、樣本污染及表面粗糙度等常見的儀器瑕疵與干擾。
實務應用，SimuScan 導入「閉迴路」（Closed-loop）的定向成像流程。系統會先在大範圍內進行快速、低解析度的初步掃描；隨後由 AI 接手特徵辨識與分割，並依據使用者設定的條件對潛在目標排序，直接引導顯微鏡前往最富含科學資訊的區域進行深入掃描。團隊認為，此舉有望大幅降低高階 AFM 的使用門檻，讓非顯微鏡專家的學者也能高效推進研究。
實測驗證與最佳化方向：跨越背景干擾的最後一哩路
團隊已利用人造奈米結構、DNA 組裝體與細菌細胞完成系統驗證，證實以合成資料為主訓練出的模型，確實能成功應用於真實的 AFM 影像。然而，測試過程也發現模型的「罩門」通常在於背景干擾，而非目標物本身。例如規則的奈米階梯、晶粒結構與週期性紋理，以及相互接觸或重疊的細胞群，仍會干擾 AI 判讀。這些發現將指引團隊持續優化背景模擬，讓 AI 學會精準過濾應該忽略的訊號。
▲ SimuScan 結合合成 AFM 影像與深度學習模型，透過模擬數據訓練 AI，實現即時特徵辨識與顯微鏡的自動化操作。下圖展示涵蓋奈米至微米的 DNA 組裝體、奈米結構與細菌細胞等樣本，真實實驗與對應合成 AFM 影像的比對結果；實驗數據在交由 AI 分析前均經過標準化縮放，以確保精準分割。（Source：論文）
展望未來，ORNL 團隊強調，若要讓 SimuScan 成為常規的日常研究工具，下一步必須將其更流暢地整合至顯微鏡操作軟體中，並建立可靠的驗證機制，以確保在不同儀器或實驗條件下模型的穩定性。預期這項技術將率先投入需要大量、重複量測的領域，如奈米粒子、DNA 奈米結構與細菌細胞研究，成為科學發現的得力助手。
ORNL: AI Helps Microscopes Find the Most Informative Nanoscale Features
ORNL’s SimuScan cuts data labeling time for atomic force microscopes
（首圖來源：ORNL）