基于人工神经网络的SPM自动标定

　　0　引　言

　　扫描探针显微镜(Scanning Probe Microscope,简称SPM)是指包括扫描隧道显微镜(ScanningTunneling Microscope,简称STM)等在内的一系列显微镜,它们可对各种被测样品在空间三个方向上同时实现纳米量级的高分辨力测量。作为核心部件之一的压电执行器存在较大标定误差,导致扫描显示图像与实际样本图像大小存在很大误差,严重地影响了扫描精度等重要性能指标。SPM标定的目的是:图像显示的尺寸(即是用户设定的范围)与其物理尺寸一致。其主要技术性能指标是标定精度(设仪器的最大范围为Scan,而图像物理尺寸为ScanWL,则标定精度定义为: (| ScanWL- Scan|/Scan)×100%[1]。目前,对于压电执行器只能采用手工方式对其进行标定,不但标定的时间周期长(标定过程长达数小时)参数多而且受人为因素影响大,限制了仪器效能的正常发挥。如何让操作人员更方便观测到显示图像接近被观测样本的真实图像是各国SPM制造商和科研单位面临的重要课题。

　　1　数字图像处理在SPM中的应用

　　随着计算机技术和显示技术的飞速发展,数字图像处理技术也渗透到SPM的研究中,目前在国际上,美国DI公司开发的光栅扫描软件已经能成功地勾画出每一根光栅内部的具体形貌。在国内,图像识别技术也已经被应用于SPM图像的模拟、表面重建及探针估计。图像处理技术有效的解决了我国引进的一般商业性SPM中缺少误差自动修正和改进系统的问题。如天津大学张津等[2]人根据图像处理技术的理论,研制了相应的软件系统,使用该系统可对标准样品———HOPG的测量图像进行滤波处理,求出原子的边缘和重心,以及原子重心的平均距离及其均方根误差,为实现SPM测量误差的自动修正奠定了基础。

　　在自动标定过程中,我们在已有的图像分割和数学形态学基础上,针对标准二维光栅这种特殊图像,从图像处理技术出发,利用VB6.0作为开发平台,开发了基于图像识别的SPM自动标定软件模块,以实现非线性建模参数的自动获取。开发的SPM自动标定软件包或独立模块,并通过AJ_I型STM和AJ_III型SPM产品的有效验证。下图是500nm标准光栅的特征点识别效果,由图可以看出,该算法针对标准光栅的特征点提取是有效的,为神经网络的自动标定提供了可靠依据。

　　2　人工神经网络与SPM标定

　　神经网络控制是一种基本上不依赖于模型的控制方法,它比较适合于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能、一定的泛化能力。由于扫描探针显微镜的扫描过程是个针对微观对象的操作,限于当前对微观世界直接观测的局限,很多影响扫描精度和范围的因素还不得而知。压电扫描器的交叉耦合误差、非正交、非线性、回滞、滞后等各种误差对标定精度的影响就很难用传统的精确的数学模型来描述。另外在微观领域中,标定的过程还要受到外界环境的影响,诸如标定过程中还存在外界激振对扫描探针显微镜图像的影响,SPM机体的简谐迫振对扫描图像的影响,实验室的环境震动会随时间的不同而变化,都是随机变量。可以看出要建立上述干扰的准确数学模型是非常困难的。考虑到神经网络作为一种计算结构,具有大规模并行处理机制,及很强的容错能力,非常适合用于建立压电扫描器这样的非线性动态系统模型。通过建立人工神经网络模型来实现智能标定,使扫描范围在标定前的精度与标定后的精度有很大提高,同时也提高了标定的智能化程度。克服了传统SPM操作中需进行的繁锁调节和设置,使仪器的操作简便、准确。神经网络在现代控制中运用已十分广泛,它作为一种计算结构,具有大规模并行处理机制及很强的容错能力,使其成为人们在设计非线性动态系统控制器时优先考虑的一种方法。我们研究的是多层前馈网络采用反向递推(back propaga-tion)的算法,简称BP网络。该网络实质上是对任意非线性映射关系的一种逼近,由于采用的是全局逼近的方法,因而BP网络具有较好的泛化能力[3]。