生成式人工智能赋能原子力显微超分辨成像研究取得进展
中国科学院上海硅酸盐研究所团队构建物理引导生成式超分辨模型StableAFM，将原子力显微镜（AFM）采样物理与潜空间扩散模型结合，用原始测量数据约束图像重建，在快速稀疏扫描下复原精细空间信息。模型采用“结构重建—细节恢复”两阶段框架，先由AFM-SwinIR网络复原基础结构，再用适配AFM图像的潜空间扩散模型细化界面与局部特征，并提出潜空间扩散后验采样策略，按采样规则将重建结果映射回低分辨测量网格并依据与实测偏差修正。测试显示加入物理测量约束后模型均方误差下降约31.3%。团队将模型用于多层陶瓷电容器介质层电荷陷阱分析，由快速采集的低分辨KPFM表面电势图像重建高分辨电势序列，结合等温表面电势衰减分析获取陷阱能级与密度空间分布，KPFM采集速度提升至原来4倍。成果发表于Small methods。
来源：中国科学院 · 要闻
原文发布日期：2026-10-20
资讯导读
中国科学院上海硅酸盐研究所团队构建物理引导生成式超分辨模型StableAFM，将原子力显微镜（AFM）采样物理与潜空间扩散模型结合，用原始测量数据约束图像重建，在快速稀疏扫描下复原精细空间信息。模型采用“结构重建—细节恢复”两阶段框架，先由AFM-SwinIR网络复原基础结构，再用适配AFM图像的潜空间扩散模型细化界面与局部特征，并提出潜空间扩散后验采样策略，按采样规则将重建结果映射回低分辨测量网格并依据与实测偏差修正。测试显示加入物理测量约束后模型均方误差下降约31.3%。团队将模型用于多层陶瓷电容器介质层电荷陷阱分析，由快速采集的低分辨KPFM表面电势图像重建高分辨电势序列，结合等温表面电势衰减分析获取陷阱能级与密度空间分布，KPFM采集速度提升至原来4倍。成果发表于Small methods。
本站根据原文整理简要导读，完整内容以发布单位原文为准。