L’AFM (Atomic Force Microscope) rappresenta un potente strumento di analisi,misura e manipolazione di materia alla nanoscala in grado di raggiungere livelli diprecisione (risoluzione verticale0.1Å, risoluzione laterale1.0Å) di gran lunga supe-riori a quelli dei laser ottici. Attualmente viene impiegato per l’analisi di una vastagamma di discipline. Fra tutte, sono particolarmente rilevanti la fisica dello stato so-lido, la scienza e tecnologia dei semiconduttori, l’ingegneria molecolare, la chimica ela fisica dei polimeri, la chimica di superficie, la biologia cellulare (tra cui lo studio el’identificazione di cellule tumorali) e la medicina. Una tecnica di impego dell’AFMche permette di estrapolare una grande mole di informazioni sia dal campione chedal micro-cantilever è l’AFM dinamico (tapping mode). Quando il micro-cantileverviene ad interfacciarsi con il campione, si viene a creare un sistema dinamico ibridonelle diverse regioni di interazione. La dinamica puo’ essere descritta da due leggidi moto diverse che si alternano durante il continuo passaggio dalla zona repulsiva(quando il tip si trova ad una distanza dal campione inferiore o uguale alla distanzaintermolecolare) alla zona attrattiva. La zona attrattiva che vede il micro-cantileverlontano dal campione, rappresenta la regione della dinamica del sitema in cui si han-no codificate nella legge di moto principalmente le caratteristiche del microcantilevere dell’entità e tipologia dell’impatto, mentre la zona repulsiva contiene in essa oltreche le informazioni sul dispositivo anche quelle sul campione. Risulta evidente dun-que che in molti problemi di studio la regione repulsiva è di gran interesse, e risultadunque ancor più evidente l’importanza di analizzare il comportamento dell’AFM,come descritto da un sistema dinamico ibrido. Attualmente le analisi di regressionedel modello dinamico, sono svolte in modo analitico da un operatore, che campioneper campione deve regredire un modello descrittivo del sistema con metodi analitici,che sfruttano i principi fondamentali della fisica. Ciò naturalmente risulta poco ef-ficiente nell’istante in cui i campioni da dover analizzare siano molti. Un esempiomolto pratico, in cui il tempo gioca un ruolo molto importante, è dato dall’ analisidelle cellule, per determinare se siano sane o tumorali (benigne o maligne). Alloscopo di voler rendere automatico il processo di regressione del modello dinamico,nel presente lavoro si sono implementate delle tecniche di machine learning di tipodata driven per l’identificazione sparsa di modelli dinamici ibridi non lineari. Nellospecifico si è applicato HySINDy, un algoritmo di regressione di tipo unsupervisedlearning sviluppato da Brunton et al. [1]. Per la complessità del modello AFM daregredire, tale algoritmo presenta delle prestazioni non accettabili in termini di accu-ratezza, precisione e tempo di computazione. A questo scopo si è sviluppato un nuovo algoritmo che come primo step miri all’identificazione delle superfici di discontinui-tà, per poi regredire i modelli dei diversi campi vettoriali identificati dalle suddettediscontinuità. Questo nuovo framework permette l’identificazione del modello ibridotramite un approccio di tipo supervised learning, integrando la conoscenza del nu-mero di regioni dinamiche che contraddistiguono il sistema ed eventualmente altreinformazioni, per poter rendere i tempi di calcolo accettabili, anche per applicazioniin real time.

Tecniche di machine learning applicate allo studio della dinamica di un microscopio a forza atomica

NOVELLI, NICO
2020/2021

Abstract

L’AFM (Atomic Force Microscope) rappresenta un potente strumento di analisi,misura e manipolazione di materia alla nanoscala in grado di raggiungere livelli diprecisione (risoluzione verticale0.1Å, risoluzione laterale1.0Å) di gran lunga supe-riori a quelli dei laser ottici. Attualmente viene impiegato per l’analisi di una vastagamma di discipline. Fra tutte, sono particolarmente rilevanti la fisica dello stato so-lido, la scienza e tecnologia dei semiconduttori, l’ingegneria molecolare, la chimica ela fisica dei polimeri, la chimica di superficie, la biologia cellulare (tra cui lo studio el’identificazione di cellule tumorali) e la medicina. Una tecnica di impego dell’AFMche permette di estrapolare una grande mole di informazioni sia dal campione chedal micro-cantilever è l’AFM dinamico (tapping mode). Quando il micro-cantileverviene ad interfacciarsi con il campione, si viene a creare un sistema dinamico ibridonelle diverse regioni di interazione. La dinamica puo’ essere descritta da due leggidi moto diverse che si alternano durante il continuo passaggio dalla zona repulsiva(quando il tip si trova ad una distanza dal campione inferiore o uguale alla distanzaintermolecolare) alla zona attrattiva. La zona attrattiva che vede il micro-cantileverlontano dal campione, rappresenta la regione della dinamica del sitema in cui si han-no codificate nella legge di moto principalmente le caratteristiche del microcantilevere dell’entità e tipologia dell’impatto, mentre la zona repulsiva contiene in essa oltreche le informazioni sul dispositivo anche quelle sul campione. Risulta evidente dun-que che in molti problemi di studio la regione repulsiva è di gran interesse, e risultadunque ancor più evidente l’importanza di analizzare il comportamento dell’AFM,come descritto da un sistema dinamico ibrido. Attualmente le analisi di regressionedel modello dinamico, sono svolte in modo analitico da un operatore, che campioneper campione deve regredire un modello descrittivo del sistema con metodi analitici,che sfruttano i principi fondamentali della fisica. Ciò naturalmente risulta poco ef-ficiente nell’istante in cui i campioni da dover analizzare siano molti. Un esempiomolto pratico, in cui il tempo gioca un ruolo molto importante, è dato dall’ analisidelle cellule, per determinare se siano sane o tumorali (benigne o maligne). Alloscopo di voler rendere automatico il processo di regressione del modello dinamico,nel presente lavoro si sono implementate delle tecniche di machine learning di tipodata driven per l’identificazione sparsa di modelli dinamici ibridi non lineari. Nellospecifico si è applicato HySINDy, un algoritmo di regressione di tipo unsupervisedlearning sviluppato da Brunton et al. [1]. Per la complessità del modello AFM daregredire, tale algoritmo presenta delle prestazioni non accettabili in termini di accu-ratezza, precisione e tempo di computazione. A questo scopo si è sviluppato un nuovo algoritmo che come primo step miri all’identificazione delle superfici di discontinui-tà, per poi regredire i modelli dei diversi campi vettoriali identificati dalle suddettediscontinuità. Questo nuovo framework permette l’identificazione del modello ibridotramite un approccio di tipo supervised learning, integrando la conoscenza del nu-mero di regioni dinamiche che contraddistiguono il sistema ed eventualmente altreinformazioni, per poter rendere i tempi di calcolo accettabili, anche per applicazioniin real time.
2020
2021-10-26
Machine learning techniques for the study of the dynamics of an atomic force microscope
File in questo prodotto:
File Dimensione Formato  
Tesi_AFM_Data_Driven_UNIVPM.pdf

Open Access dal 27/10/2023

Dimensione 6.34 MB
Formato Adobe PDF
6.34 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/900