Image interpretation methods for high-resolution scanning probe microscopy

Thumbnail Image

Files

isbn9789526428888.pdf (25.5 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Doctoral thesis (article-based) | Defence date: 2026-12-19
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025

Department

Teknillisen fysiikan laitos
Department of Applied Physics

Major/Subject

Mcode

Degree programme

Language

en

Pages

96 + app. 43

Series

Aalto University publication series Doctoral Theses, 253/2025

Abstract

Interfaces play a central role in both natural and technological systems, and their properties are strongly influenced by atomic-scale interactions. Scanning probe microscopy (SPM), in particular scanning tunnelling microscopy (STM) and atomic force microscopy (AFM), has enabled direct imaging of surfaces and adsorbed molecules with atomic resolution. Advances in tip functionalization have further improved spatial resolution, revealing chemical bonds and molecular structures in great detail. However, interpretation of SPM images remains challenging: threedimensional adsorption geometries distort image contrast, and chemical identification often requires extensive quantum mechanical simulations. This thesis addresses these challenges using both traditional and data-driven approaches. The traditional methodology is employed to support experimental studies of confined water dimers within molecular networks and of organosilicon compounds synthesized on surfaces. To overcome the limitations of manual structure identification, the thesis also develops machine learning models trained on simulated datasets for automated structure discovery for STM and AFM. These models show that machine learning can significantly reduce the time required for molecular identification. The thesis highlights both the strengths and limitations of SPM simulation-based analysis and extends machine learning approaches in SPM to high-resolution STM imaging. While current models remain sensitive to noise and experimental artifacts, the results provide a step toward fully automated structure discovery.

Rajapinnat ovat tärkeässä asemassa luonnollisissa ja teknologisissa järjestelmissä, ja atomitason vuorovaikutuksilla on niiden ominaisuuksiin suuri vaikutus. Tunnelointi- (engl. scanning tunnelling microscopy, STM) ja atomivoimamikroskooppi (engl. atomic force microscopy, AFM) ovat mahdollistaneet pintojen ja adsorboituneiden molekyylien suoran kuvantamisen yksittäisten atomien resoluutiolla. Mikroskoopin kärjen funktionalisoinnilla kuvan resoluutiota voidaan parantaa edelleen ja jopa yksittäisiä sidoksia atomien välillä voidaan kuvata. Näillä mittausmenetelmillä tuotetut kuvat ovat kuitenkin vaikeita tulkita: kolmiulotteiset adsorptioasennot vääristävät kontrastia, ja molekyylien kemiallinen tunnistus vaatii usein suuria kvanttimekaanisia simulointeja. Tässä väitöskirjassa näitä haasteita lähestytään sekä perinteisin että dataohjautuvin menetelmin. Perinteistä lähestymistapaa käytetään tukemaan kokeellisia tutkimuksia, joissa tarkastellaan molekyyliverkostoon rajoittuneita vesimolekyylejä sekä piitä sisältävien orgaanisten molekyylien synteesiä. Perinteisen rakennetunnistuksen lisäksi väitöskirjassa kehitetään myös koneoppimismalleja, jotka on koulutettu simuloiduilla aineistoilla automaattiseen näytteiden tunnistamiseen STM- ja AFM-kuvista. Tulokset osoittavat, että koneoppiminen voi merkittävästi nopeuttaa molekyylien tunnistusta. Väitöskirja tuo esiin perinteisen SPM-simulaatiomenetelmiin perustuvan näytteentunnistuksen vahvuuksia ja rajoitteita ja laajentaa koneoppimisen soveltamista erityisesti korkean resoluution STM-kuvien analyysiin. Vaikka nykyiset mallit ovat yhä herkkiä kohinalle ja kokeellisille artefakteille, tulokset ovat askel kohti näytteiden täysin automaattista tunnistusta.

Description

Supervising professor

Foster, Adam, Prof., Aalto University, Department of Applied Physics, Finland

Keywords

scanning tunnelling microscopy, atomic force microscopy, machine learning, tunnelointimikroskooppi, atomivoimamikroskooppi, koneoppiminen

Other note

Parts

  • [Publication 1]: Shuning Cai, Lauri Kurki, Chen Xu, Adam S. Foster, Peter Liljeroth. Water Dimer-Driven DNA Base Superstructure with Mismatched Hydrogen Bonding. Journal of the American Chemical Society, 144, 44, 20227-20231, Oct 2022.
    Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202212146902
    DOI: 10.1021/jacs.2c09575 View at publisher
  • [Publication 2]: Kewei Sun, Lauri Kurki, Orlando J. Silveira, Tomohiko Nishiuchi, Takashi Kubo, Adam S. Foster, Shigeki Kawai. On-Surface Synthesis of Silole and Disila-Cyclooctene Derivatives. Angewandte Chemie International Edition, 63, 18, e202401027, Feb 2024.
    Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202404243203
    DOI: 10.1002/anie.202401027 View at publisher
  • [Publication 3]: Lauri Kurki, Niko Oinonen, Adam S. Foster. Automated Structure Discovery for Scanning Tunneling Microscopy. ACS Nano, 18, 17, 11130–11138, Apr 2024.
    Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202405083309
    DOI: 10.1021/acsnano.3c12654 View at publisher
  • [Publication 4]: Niko Oinonen, Lauri Kurki, Alexander Ilin, Adam S. Foster. Molecule graph reconstruction from atomic force microscope images with machine learning. MRS Bulletin, 47, 895–905, Sep 2022.
    Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202211236584
    DOI: 10.1557/s43577-022-00324-3 View at publisher

Citation

Permanent link to this item

https://urn.fi/URN:ISBN:978-952-64-2888-8

Collections

[diss] Perustieteiden korkeakoulu / SCI