원자력 현미경 기계 학습을 통한 기계적 반응
Challenge: 상호변조 AFM은 일반 속도로 한 번의 스캔(256×256 픽셀 기준 2분 소요)만으로 60개의 진폭 및 위상 이미지를 측정하여 표면 정보를 수집할 수 있습니다. 각 픽셀은 추상적인 60차원 특징 공간 내의 단일 점을 나타냅니다.
Solution: 기계 학습은 이 공간 내의 픽셀을 그룹화하거나 클러스터링하려고 시도합니다. ImAFM 소프트웨어 제품군에는 k-means 클러스터링 기능이 포함되어 있습니다. 스크립팅 인터페이스와 Python 모듈인 scikit-learn을 사용하면 다른 클러스터링 알고리즘도 쉽게 프로그래밍할 수 있습니다.
동적 가황 열가소성 합금(DVA)에서 유사한 기계적 반응을 보이는 영역을 보여주는 지도입니다. 픽셀들은 k-means 알고리즘을 사용하여 5개의 클러스터로 묶였습니다. 픽셀의 x-y 좌표는 데이터의 특징이 아니므로, 이 방법은 데이터를 직접 참조하지 않고 지도를 재구성합니다. 각 클러스터의 중심점에 가장 가까운 픽셀에 대한 힘 적분 곡선이 표시되어, 지도상의 해당 색상과 함께 해당 영역의 특징적인 기계적 응답을 보여줍니다.
기계적 반응의 기계 학습
연구진은 고무 영역이 단단한 나일론 매트릭스에 분산된 혼합물인 동적 가황 합금(DVA)의 복잡한 나노미터 규모 기계적 특성을 규명하고자 했다. 표준 태핑 모드 AFM(Tapping Mode AFM)은 위상 신호가 강성, 소산 및 접착력을 혼합하여 나타내기 때문에, 서로 다른 고분자 상의 다양한 점탄성 반응을 정량적으로 구별하는 것이 불가능하여 한계가 있었다.
연구팀은 MLA-3를 사용하여 상호변조 AFM(ImAFM)을 구현했으며, 캔틸레버를 두 가지 주파수로 구동하여 비선형 상호변조 산물을 측정했다. 이를 통해 단일 스캔으로 42개의 진폭 및 위상 이미지로 구성된 고차원 데이터셋을 생성했다. 연구진은 MLA-3의 Python 스크립팅 인터페이스를 활용해 이 방대한 데이터에 K-means 클러스터링을 적용함으로써, 사용자의 편향에 의존하지 않고 기계적 “지문”을 기반으로 픽셀을 분류했다.
이 실험을 통해 결정질 및 비결정질 나일론, 그리고 가교 정도가 다양한 고무 상을 포함한 5개의 뚜렷한 기계적 영역을 지닌 매우 불균일한 표면이 밝혀졌습니다. 연구팀은 MLA-3 데이터로 재구성된 힘의 적분 곡선을 분석함으로써 물리적 모델을 적용하여 표면 이완 시간과 같은 특정 매개변수를 추출할 수 있었으며, 이는 기존 기술로는 포착할 수 없었던 동역학적 현상을 규명하는 결과를 가져왔습니다.