Представьте, что вы пытаетесь рассмотреть крошечный шедевр, но смотрите на него сквозь толстое, грязное стекло. Примерно так ученые изучали мир нанотехнологий, особенно когда пытались связать свойства материала с его наноструктурой. Такие инструменты, как пьезосиловая микроскопия (ПСМ), позволяют заглянуть в наномир и увидеть, как материалы реагируют на электрические поля. Но эти сигналы часто тонут в шуме, особенно там, где происходит самое интересное.

Исследователи из Технологического института Джорджии нашли способ извлекать ценную информацию даже из самых зашумленных данных или когда отклик материала крайне слаб. Их метод сочетает физическое моделирование с продвинутой статистической реконструкцией. Это может кардинально повысить точность и надежность измерений в наномире.

Работа, выполненная под руководством Назанин Бассири-Гарб, профессора и заведующей кафедрой имени Харриса Сондерса-младшего, опубликована в журнале Small Methods. Ведущими авторами стали Кериша Уильямс, бывшая аспирантка Школы материаловедения и инженерии, и Генри Шаову Ючи, бывший аспирант Школы промышленного и системного инжиниринга. В команду также вошли аспиранты и профессора из разных школ института.

Исследование стартовало благодаря программе грантов для междисциплинарных команд, запущенной в 2021 году. Эта инициатива помогает ученым из разных областей объединяться для решения сложных задач.

Главная проблема — сигнал

ПСМ — это вид сканирующей зондовой микроскопии. Методика сканирует поверхность миниатюрным щупом-кантилевером, подавая электрическое поле и измеряя отклик материала. Это раскрывает детали его электро-механических и полярных свойств.

Но есть загвоздка: в областях, где поляризация меняет направление (например, с положительного на отрицательное), электро-механический отклик закономерно падает почти до нуля. Это нормальная физика. Однако в наномире всегда много шума. Сочетание слабого сигнала и шума резко снижает отношение сигнал/шум, делая данные бесполезными или вводящими в заблуждение. Иногда мелкие ошибки даже принимали за признаки новых экзотических явлений.

Эти области с низким отношением сигнал/шум — не просто помехи, там часто скрывается самая важная информация, — говорит Кериша Уильямс. — Нам был нужен способ восстановить эти данные, не создавая новых артефактов.

Как восстановить пробелы по-умному

Раньше ученые «чистили» такие данные простой интерполяцией или заменой отдельных точек. Эти методы разрушают естественные физические связи между параметрами, что ведет к ошибкам в интерпретации.

Команда из Джорджии поступила иначе. Сначала они использовали ошибки стандартной обработки сигнала, чтобы определить ненадежные данные. Затем, вместо точечной замены, они применили методы статистического машинного обучения для реконструкции целых сегментов потерянного или зашумленного сигнала. Это сохранило естественную корреляцию между амплитудой, фазой, частотой и демпфированием.

Использованный метод — байесовское матричное завершение (BayeSMG). Он находит закономерности в неполных и зашумленных данных, эффективно работая, когда в разных измерениях есть сходства.

BayeSMG — часть диссертации Генри, и мы в восторге, что его первое практическое применение оказалось в такой важной области, — отмечает профессор Яо Се.

После очистки данных команда применила стандартную модель для извлечения физически осмысленных значений.

BayeSMG также оценивает неопределенность, показывая, насколько можно доверять результатам.

Наш метод не угадывает сигнал, а воссоздает его, опираясь на внутреннюю структуру данных, — объясняет Назанин Бассири-Гарб. — Это дает нам гораздо больше уверенности в измерениях.

Пересмотр прошлых выводов

Применив метод к материалу для подводных акустических преобразователей и медицинских УЗИ-аппаратов, ученые увидели более чистую и реалистичную картину полярного поведения. Метод устранил ложные артефакты — например, плато сигнала или резкие скачки, — которые раньше могли принять за сложные фазовые переходы.

Восстановление истинного наноразмерного отклика в условиях шума открывает путь к лучшему пониманию материалов для сенсоров, актуаторов, устройств памяти и энергетических систем.

Особенно важно, что команда сделала процесс прозрачным. Они документировали каждый шаг, акцентируя внимание на субъективных решениях, которые исследователи часто принимают «за кадром»: выбор диапазона частот, калибровка фазы, пороги ошибок. Эти рутинные выборы сильно влияют на итог.

Путь к лучшей науке

Эта работа заполняет большой пробел в нашей области, — говорит Уильямс. — До сих пор не было стандарта обработки зашумленных данных в модуляционной СЗМ. Мы предлагаем не просто инструмент, а процесс, который другие могут повторить и улучшить.

Бассири-Гарб и Уильямс надеются, что их подход станет моделью для всего сообщества. Они выступают за открытое распространение метаданных, кода и деталей обработки, следуя принципам воспроизводимой науки.

Метод применим не только к ПСМ, но и к другим техникам, где материалы на наноуровне изучают с помощью внешних полей.

Это во многом похоже на поиск иголки в стоге сена, — говорит Бассири-Гарб. — С правильными инструментами и терпением мы учимся извлекать самые важные сигналы.

Реальная польза исследования лежит в плоскости достоверности. Нанотехнологии — это область, где каждое измерение на счету, а ошибка в несколько нанометров или милливольт может привести к неверным выводам о свойствах нового материала для процессора, батареи или медицинского датчика. Данный метод — это, по сути,  «цифровой фильтр» высшего порядка, который не сглаживает данные, а интеллектуально восстанавливает их, опираясь на физику процесса. Это позволит:

• Ускорить разработку новых материалов, исключая «ложные следы» — артефакты, которые ранее могли быть приняты за прорывное явление.
• Повысить надежность наноэлектроники и MEMS-устройств  (микроэлектромеханических систем), ведь их проектирование начинается с точного понимания поведения материалов на микро- и наноуровне.
• Стандартизировать процессы анализа в лабораториях по всему миру, сделав исследования более воспроизводимыми и сравнимыми. В долгосрочной перспективе это экономит огромные ресурсы и направляет науку по более четкому пути.

Основной вопрос к исследованию — универсальность и «цена» сложности. Метод BayeSMG, судя по описанию, требует серьезной статистической и вычислительной экспертизы, а также построения адекватной физической модели для каждого конкретного материала или типа измерения. Не превратится ли этот мощный инструмент в „космический корабль“, доступный лишь крупным научным центрам с соответствующими специалистами?

Авторы делают шаг в сторону открытости кода, но следующим критическим шагом должна стать разработка удобного, возможно, облачного ПО-интерфейса, который позволит использовать этот метод рядовому исследователю-материаловеду или инженеру без глубоких познаний в байесовской статистике. Иначе метод рискует остаться блестящим, но узкоспециализированным решением.

Ранее ученые выяснили, почему свет в наномире теряет симметрию.