CC BY
14
УДК 621.385.833
ГИБРИДНЫЙ ТУННЕЛЬНЫЙ МИКРОСКОП С ИНТЕГРИРОВАННЫМ БИПОТЕНЦИОСТАТОМ ДЛЯ ИЗУЧЕНИЯ НАНОЧАСТИЦ
ШЕЛКОВНИКОВ ЕЮ., ТЮРИКОВ А.В., ГУЛЯЕВ, П.В., СУВОРОВ А.С.,
ГАФАРОВ М.Р., ЛИПАНОВ СИ.
Институт прикладной механики УрО РАН, 426067, г. Ижевск, ул. Т.Барамзиной, 34
АННОТАЦИЯ. В работе рассмотрен гибридный туннельный микроскоп с интегрированным бипотенциостатом, работающий как на воздухе, так и в жидких средах. Приведен алгоритм автоматического обнаружения и распознавания СТМ-изображений наночастиц с использованием аппарата нейронных сетей и нечеткой логики, позволяющий решить задачу дисперсности наночастиц. Интегрированный бипотенциостат обеспечивает проведение всех необходимых электрохимических экспериментов.
КЛЮЧЕВЫЕ СЛОВА: гибридный туннельный микроскоп, бипотенциостат, наночастицы, идентификация изображений, нейронные сети, нечеткая логика.
В настоящее время стало актуальным применение в современном материаловедении наноразмерных ультрадисперсных частиц. Их использование, даже в небольшом количестве, позволяет существенно усовершенствовать характеристики традиционных материалов. При этом свойства новых материалов крайне чувствительны к размерам частиц. Известные физико-химические и механические методы изготовления частиц нанометровых размеров не позволяют сосредоточить их размеры в достаточно узком диапазоне. Поэтому задача контроля дисперсности наночастиц (как на воздухе, так и в жидких средах) при создании новых перспективных кластерных материалов на их основе является актуальной.
Гибридный туннельный микроскоп (ГТМ) с интегрированным бипотенциостатом дает возможность (управляя электродными потенциалами) относительно просто освобождать исследуемую поверхность от адсорбционных, хемосорбционных или фазовых слоев и формировать на ней или на поверхности зондирующей иглы требуемое поверхностное состояние [1]. При этом ГТМ позволяет программно модифицировать алгоритмы работы, конфигурацию микроскопа для изучения наночастиц, а также упростить настройку на различные методики измерений (посредством изменения алгоритмов работы управляющей части).
Основные отличия ГТМ от сканирующего туннельного микроскопа (СТМ) - изолированная игла (на которой открыт только самый кончик ее острия), наличие бипотенциостата (регулирующего электродные потенциалы образца и иглы), а также электрохимической ячейки (в которой кроме образца крепятся электроды - сравнения и вспомогательный).
Получение измерительной информации о наночастицах с помощью ГТМ требует последовательного выполнения двух этапов: обнаружения частиц на большой площади поверхности образца (10x10 мкм ) с относительно невысоким разрешением и определения геометрических параметров наночастиц (площадь исследуемой области ~ 1000x1000 Ä2) с высоким (атомарным) разрешением. Очевидно, что оба этапа должны выполняться без замены сканирующего устройства (пьезосканера) невысокого разрешения на сканирующее устройство высокого разрешения, поскольку при такой замене теряется «привязка» сканирующего устройства к координатам обнаруженных частиц. Поэтому основными требованиями, предъявляемыми к функциональности ГТМ, являются: возможность гибкой настройки под эксперименты различного типа; большое поле зрения и высокое разрешение; высокая точность позиционирования образца в процессе сближения; наличие у сканера секций для точного и грубого перемещения вдоль оси Z; низкая величина температурных дрейфов; возможность контроля остроты зондирующего острия и его «заточки» (in situ).
На рис. 1 представлена структурная схема предложенного ГТМ. Входная информация (напряжения на электродах, токи через иглу и образец) поступает через измерительный модуль в сигнальный процессор (СП) на входы блока ее анализа и пропорционально-интегрирующих (ПИ) регуляторов, осуществляющих поддержание заданных значений электродных потенциалов и туннельного зазора.
Управляющий вычислитель выполняет предварительную обработку и анализ поступающей информации для компенсации погрешностей (ГО.) и точной коррекции коэффициентов усиления ПИ-регуляторов и опорных величин.
3
1- вспомогательный электрод; 2 - электрод сравнения; 3 - образец; 4 - игла; 5 - трехкоординатный сканер
Рис. 1. Структурная схема ГТМ
Единая структура позволяет синхронизировать процессы управления электрохимической ячейкой и туннельным промежутком, повышая качество регулирования и точность получаемой информации. В режиме нелинейного адаптивного сканирования [2] основной контур автоматического регулирования (цифровой ООС) образуют: игла, образец, ПИ-регулятор, цифро-аналоговый преобразователь, высоковольтный усилитель напряжения и Z электрод максимальной протяженности трехкоординатного сканера. Данный режим предназначен для первоначального обследования больших участков поверхности. Получив первоначальное изображение поверхности, можно выбрать необходимый для исследования участок с ультрадисперсной частицей и перейти на режим линейного адаптивного сканирования. В этом режиме используется короткий Z электрод сканера.
Автоматическое обнаружение и распознавание СТМ-изображений наночастиц осуществляется следующим образом (рис. 2). Полученное в режиме грубого сканирования СТМ-изображение передается в блок автоматического обнаружения и распознавания, в котором осуществляется обнаружение наночастиц путем выделения ее структурных элементов на основе сегментации по кривизне профилограмм СТМ-изображения, при этом вычисляются геометрические параметры частицы - ее центр и радиус. Затем ГТМ переходит в режим точного сканирования с высоким пространственным разрешением и с распознаванием обнаруженных наночастиц. Полученные в этом режиме СТМ-изображения ультрадисперсных частиц передаются в блок автоматического обнаружения и распознавания, где производится распознавание наночастиц с использованием аппарата нейронных сетей и нечеткой логики. В случае несоответствия полученных результатов распознавания заданным критериям осуществляется повторное сканирование выбранной наночастицы и ее распознавание. При этом ГТМ используется в многокадровом режиме с перекрытием, в котором производится автоматическая координатная привязка зондирующего острия к системе координат, в которой снимались предыдущие кадры [3].
При использовании аппарата нейронных сетей реализуется нейронная сеть с многослойной структурой, в которой каждый нейрон произвольного слоя связан со всеми выходами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами нейронной сети. Для обучения нейронной сети применяются такие методики, как методика обратного распространения ошибок и генетический алгоритм), после чего на выделенных участках СТМ-изображений, соответствующих наночастице, осуществляется ее начальная идентификация. Результат распознавания представляется в виде вектора приоритетов, компонентами которого (после проведения нормировки) являются меры принадлежности распознаваемой частицы к одному из эталонных видов. [4].
При применении аппарата нечеткой логики процесс идентификации распадается на четыре этапа. На первом этапе «фаззификации» вводится нечеткость на основе определения
значений функций принадлежности для каждой из четких входных переменных, в качестве которых использованы значения высот дискретизированной СТМ-топографии локализованной наночастицы. На втором этапе «логического вывода» находятся «уровни отсечения» функций принадлежности выходных переменных (выражающих интегральную степень «схожести» экспериментального и эталонного изображений наночастиц), после чего формируются нечеткие подмножества. На третьем уровне «композиции» все нечеткие подмножества объединяются в единое нечеткое множество с помощью операций максимума или сложения. На четвертом этапе «дефаззификации» набор нечетких выводов преобразуется в четкое число и осуществляется начальная идентификация наночастицы. Результаты распознавания (также как и при применении нейронной сети) представляются в виде вектора приоритетов, подлежащего нормировке. [5].
Начало
Обучение нейронной сети известным эталонным образцам с применением метода обратного распространения ошибок _и генетического алгоритма_
Ж
Обучение базы знаний нечеткой логики известным эталонным образцам
Блок идентификации
Распознавание СТМ-изображения с применением обученной нейронной сети и базы знаний нечеткой логики
Вектора приоритетов (для каждого из методов идентификации)
Блок анализа идентификации
Нормировка векторов приоритетов
Синтез результирующего вектора принадлежности с применением метода анализа иерархий
Нормированный вектор принадлежности (компонентами которого являются меры принадлежности идентифицируемой частицы к одному из известных эталонных видов)
Конец
Рис. 2. Алгоритм автоматического распознавания СТМ-изображений наночастиц
Для окончательной идентификации СТМ-изображений наночастицы с применением аппарата нейронный сетей и нечеткой логики (синтеза обобщенного вектора принадлежности) использован метод анализа иерархий, широко применяемый в автоматизированных системах принятия решений. В соответствии с данным методом строится трехуровневая иерархия вида: уровень I -«результат распознавания»; уровень II - «применяемые методы» (нейронная сеть и аппарат нечеткой логики); уровень III -«возможные альтернативы» (эталонные образцы, имеющиеся в базе знаний). Для успешного применения метода анализа иерархий необходим вектор приоритетов используемых методов на уровне 2, который представляет собой численный результат сравнения применяемых методов распознавания. Компонентами данного вектора являются меры достоверности (точности) распознавания наночастиц при использовании каждого из методов, с последующим выполнением нормировки. Для синтеза обобщенного вектора принадлежности (компонентами которого являются меры принадлежности идентифицируемой частицы к одному из известных эталонных видов) выполняется усреднение соответствующих компонентов векторов
приоритетов (полученных на этапах распознавания с применением нейронной сети и аппарата нечеткой логики) с весами-компонентами вектора приоритетов методов распознавания и с последующим выполнением нормировки [6].
ГТМ обеспечивает расширение функциональных возможностей за счет автоматического обнаружения (путем выделения структурных элементов нанообъектов на основе сегментации по кривизне СТМ-профилограмм) и распознавания СТМ-изображений нанообъектов с повышенной надежностью, обеспечиваемой использованием двух методов распознавания (аппарата нейронных сетей и нечеткой логики).
Автоматическое обнаружение и распознавание наночастиц можно производить как на воздухе, так и в жидких средах. При работе с электрохимической ячейкой бипотенциостат [7] поддерживает напряжение Uраб на образце и (UmyH + Uраб) относительно электролита.
Напряжение UmyH между иглой и образцом контролируется ГТМ. В качестве измерительного
электрода используется образец. Вспомогательный электрод образует с ним цепь, через которую протекает ток поляризации. Потенциал образца измеряется по отношению к электроду сравнения с помощью бипотенциостата. Это дает возможность связать изменения морфологии поверхности образца с электрохимическими внешними условиями.
Следует отметить, что предложенный гибридный сканирующий туннельный микроскоп с интегрированным бипотенциостатом обеспечивает обнаружение и распознавание наночастиц как на воздухе, так и в жидких средах за счет быстрого перехода из воздушного режима в электрохимический, высокой точности позиционирования, защиты острия иглы от повреждений, наличия развитых средств анализа получаемой информации. Представленные в данной работе технические решения могут быть использованы, в частности, для расширения функциональных возможностей существующих воздушных туннельных микроскопов до уровня гибридных, позволяющих проводить исследования как в воздушной, так и в жидких средах.
СПИСОК ЛИТЕРАТУРЫ
1. Касаткин Э.В., Небурчилова Е.Б., Резник М.Ф. и др. Электрохимическая концепция ска-нирующей туннельной микроскопии и сканирующей туннельной спектроскопии // Ж. РХО им.Д.И.Менделеева. 2008. T.LII, №5. С.8-15.
2. Положительное решение от 22.07.2011 о выдаче патента на полезную модель №2011120617/07(030490) Н 01 J 37/285. Сканирующий туннельный микроскоп / Шелковников Е.Ю., Тюриков А.В., Гуляев П.В. и др.
3. Шелковников Ю.К., Гафаров М.Р., Гуляев П.В. и др. Построение изображений поверхности при многокадровом режиме сканирующего туннельного микроскопа // Химическая физика и мезоскопия. 2008. Т.10, №4. С.514-520.
4. Головко В.А. Нейронные сети: обучение, организация и применение. М. : ИПР-ЖР, 2001. С.28-57.
5. Круглов В.В., Дли М.И., Голубов Р.Ю. Нечеткая логика и искусственные нейронные сети. М. : Изд-во Физико-математической литературы, 2001. 224 с.
6. Саати Т.Л. Принятие решений. Метод анализа иерархий. М. : Радио и связь, 1989. 316 с.
7. Липанов А.М., Гуляев П.В. Шелковников Ю.К. и др. Бипотенциостат // Патент РФ №2361197. 2009. Бюл. №19.
HYBRID INTEGRATED TUNNEL MICROSCOPE WITH BIPOTENTSIOSTAT FOR THE STUDY OFNANOPARTICLES
Shelkovnikov E.Yu., Tyurikov A.V., Gulyaev P.V., Suvorov A.S., Gafarov M.R., Lipanov S.I. Institute of Applied Mechanics, Ural Branch of the RAS, Izhevsk, Russia
SUMMARY. The hybrid tunnel microscope with integrated bipotentsiostat which works both in air and in liquid is observed In this paper. An algorithm of automatic detection and recognition of the STM images of nanoparticles using the method of neural networks and fuzzy logic is presented which solves the problem of dispersion nanoparticles. Integrated bipotentsiostat provides all the necessary electrochemical experiments.
KEYWORDS: hybrid tunnel microscope, bipotentsiostat, nanoparticles, identification of images, neural networks, fuzzy logic
Шелковников Евгений Юрьевич, доктор технических наук, старший научный сотрудник ИПМ УрО РАН, e-mail: iit@udman.ru
Тюриков Александр Валерьевич, кандидат физико-математических наук, старший научный сотрудник ИПМ УрО РАН
Гуляев Павел Валентинович, кандидат технических наук, старший научный сотрудник ИПМ УрО РАН
Суворов Александр Сергеевич, аспирант ИПМ УрО РАН
Гафаров Марат Ренатович, аспирант ИПМ УрО РАН
Липанов Святослав Иванович, соискатель ИПМ УрО РАН
