Resumen

La microscopía de fuerza atómica (AFM) multifrecuencia genera múltiples observables por píxel, capturando información espectral y mecánica de gran riqueza, superior a la obtenida con imágenes monocanal convencionales. Si bien la AFM multifrecuencia se emplea tradicionalmente para la cuantificación píxel a píxel de las propiedades de los materiales, su potencial va más allá de la extracción numérica directa. Proponemos aprovechar la estructura inherente de los datos multifrecuencia para identificar primero los objetos y distinguir los fenómenos físicos antes de aplicar modelos cuantitativos.

Al integrar técnicas de visión de inteligencia artificial con algoritmos de aprendizaje automático, procesamos múltiples observables por píxel para detectar automáticamente características, clasificar regiones de material, identificar transiciones físicas y predecir modelos de fuerza óptimos en tiempo real. Este enfoque cambia el paradigma de la extracción directa de parámetros a un proceso de dos pasos: (1) identificación de objetos y fenómenos mediante una clasificación basada en visión y datos, y (2) cuantificación analítica posterior utilizando el modelo de fuerza más adecuado. Demostramos que este método mejora el contraste, aumenta la fiabilidad de la recuperación de propiedades del material y revela interacciones a nanoescala que permanecen ocultas en los canales AFM sin procesar.

El marco establece una interpretación inteligente de datos AFM multifrecuencia, lo que permite la clasificación automatizada de materiales y el modelado adaptativo de fuerzas. Simplifica la transición entre la obtención de imágenes de alta resolución y el análisis nanomecánico cuantitativo, allanando el camino para técnicas de caracterización autónomas basadas en AFM mejoradas con IA.

1. Santos, S.; Elsherbiny, L.; Lai, C.-Y.; Askar, K.; Gadelrab, K.; Chiesa, M., Automatic Generation of Contrast Maps in Terms of Van Der Waals Material Properties in Bimodal Afm. The Journal of Physical Chemistry C 2024, 128, 21154-21163
2. Elsherbiny, L.; Santos, S.; Gadelrab, K.; Olukan, T.; Font, J.; Barcons, V.; Chiesa, M., Machine Learning Assisted Multifrequency Afm: Force Model Prediction. Applied Physics Letters 2023, 123.
3. Lai, C.-Y, Santos, S.; Elsherbiny, L.; Gadelrab, K.; Chiesa, M., Intelligent Nanoscale Imaging: Harnessing Machine Learning for Multifrequency AFM (2025) Under preparation.