автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.14, диссертация на тему:Идентификация изображений наноструктуры поверхности в сканирующем туннельном микроскопе

На правах рукописи

Суворов Александр Сергеевич

УДК 621.385.833

ИДЕНТИФИКАЦИЯ ИЗОБРАЖЕНИЙ НАНОСТРУКТУРЫ ПОВЕРХНОСТИ В СКАНИРУЮЩЕМ ТУННЕЛЬНОМ МИКРОСКОПЕ

Специальности: 05.11.14 - технология приборостроения 05.11.13 - приборы и методы контроля природной среды, веществ, материалов и изделий

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук

005015823

1 О

1М\1

Ижевск-2012

005015823

Работа выполнена в Институте Механики УрО РАН

Научный руководитель: доктор технических наук, профессор

Шелковников Юрий Константинович

Научный консультант: кандидат физико-математических наук, доцент

Тюриков Александр Валерьевич

Официальные оппоненты: доктор технических наук, профессор кафедры

«Автоматизация и управления» Тюменского государственного нефтегазового университета Цибульский Владимир Романович (г.Тюмень)

кандидат физико-математических наук, проректор по информатизации Ижевской государственной сельскохозяйственной академии Хохряков Николай Владимирович (г.Ижевск)

Ведущая организация: Институт физики прочности

и материаловедения СО РАН (г.Томск)

Защита диссертации состоится 25 мая 2012г. в 14-00 часов

на заседании диссертационного совета ДМ 004.013.02 в Институте прикладной

механики УрО РАН по адресу: 426067, г. Ижевск, ул. Т. Барамзиной, 34

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять по адресу: 426067, г. Ижевск, ул. Т. Барамзиной, 34

С диссертацией можно ознакомиться в библиотеке ИПМ УрО РАН

Автореферат разослан 23 апреля 2012г.

Ученый секретарь диссертационного совета д.т.н., профессор

В.В. Тарасов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы связана с необходимостью разработки методов и средств автоматического обнаружения, распознавания, классификации и анализа топографических изображений наночастиц (НЧ) кластерных материалов (КМ) с использованием сканирующего туннельного микроскопа (СТМ).

Следует отметить, что по своей физической сущности топографические СТМ-изображения при малых туннельных напряжениях представляют собой изоповерхности плотности электронных состояний в окрестности энергии Ферми. В то же время важнейшие параметры топографии поверхности наночастиц — размеры и геометрия - имеют такую же физическую природу, так как образованы теми же электронными состояниями поверхности Ферми, локализованными в их окрестности.

Поэтому для автоматической идентификации СТМ-изображений наноструктуры исследуемой поверхности наиболее целесообразно построение ее теоретического СТМ-изображения, которое дает хорошее согласие с экспериментом и может быть использовано в качестве достаточно достоверной модели наноструктуры поверхности. Для построения теоретических СТМ-изображений наночастиц могут использоваться полуэмпирические и самосогласованные пер-вопринципные методы расчета электронной структуры поверхности, при этом наиболее перспективными являются кластерные самосогласованные перво-принципные методы расчета, позволяющие наиболее точно учитывать квантовую структуру поверхности изучаемых наночастиц. Однако, также необходимы и достоверные экспериментальные изображения наночастиц, что требует сравнительного анализа реальных факторов, влияющих на точность измерительной информации.

Одним из основных элементов туннельного микроскопа, определяющих его пространственное разрешение, и, как следствие, достоверность получаемых СТМ-изображений наноструктуры поверхности, является зондирующее острие (ЗО) требуемой формы и остроты. Поэтому исследование процессов изготовления и формирование технологических требований для получения такого острия являются актуальной задачей. В работах Кизнерцева С.Р., Тюрикова A.B. и др. была предложена модель изготовления измерительных игл (ИИ) СТМ методом химического травления. Ее основными недостатками являются низкая дискретизация, не позволяющая осуществлять расчеты с необходимой точностью, а также отсутствие моделирования начального этапа изготовления 30 - электрохимического травления. Таким образом, необходимо разработать новую модель изготовления ЗО с повышенной точностью, учитывая электрохимическую составляющую процесса травления и динамическое изменение концентрации травящей жидкости при химическом травлении вблизи поверхности заготовки ИИ.

Для решения задачи идентификации наноструктуры поверхности необходимым является наличие инструмента построения достоверных теоретических СТМ-изображений наночастиц. Существующие методики построения таких изображений не учитывают атомно-электронное строение ЗО и его влияние на результирующую картину численного эксперимента, что негативно сказывается

на точности расчета нанотопографии поверхности. Поэтому актуальным является разработка и обоснование методов построения теоретических СТМ-изображений с учетом атомно-электронного строения как поверхности, так и зондирующего острия.

Изображения, получаемые с помощью сканирующего туннельного микроскопа, обладают рядом недостатков, связанных с особенностями его работы и метода исследований: отсутствием строго-ограниченной шкалы координат, произвольным углом отображения наночастиц, а также наличием шумов и искажений различной природы. При этом осуществить идентификацию наночастиц прямым сравнением их теоретических и экспериментальных СТМ-изображений практически невозможно. Возникает необходимость разработки специальных методов распознавания наночастиц на формируемых СТМ-изображениях. Анализ показал, что в этом случае наиболее перспективным представляется метод, основанный на применении аппарата нейронных сетей (НС), позволяющий автоматизировать процесс локализации и распознавания СТМ-изображений наночастиц с высокой степенью достоверности.

Таким образом, создание надёжного прецизионного инструмента на базе СТМ для идентификации наноструктуры поверхности является актуальной задачей. Для её решения необходимы разработка и исследования математических моделей, программно-аппаратных средств туннельного микроскопа, обеспечивающих автоматическое обнаружение, локализацию и идентификацию наночастиц исследуемых кластерных материалов.

Целью работы является разработка и обоснование физико-математических, алгоритмических, методических, а также программно-аппаратных средств автоматического обнаружения и идентификации наночастиц сканирующим туннельным микроскопом, внедрение которых имеет существенное значение для создания новых перспективных кластерных материалов.

Для достижения поставленной цели решались следующие задачи:

— создать расчетную модель процесса изготовления измерительных игл СТМ методом комбинированного (электрохимического и химического) травления;

— определить технологические параметры процесса химического травления заготовки измерительной иглы СТМ, существенно влияющие на профиль получаемых ЗО и дать рекомендации для формирования острий оптимальной макроформы;

— разработать методику расчета теоретических СТМ-изображений, учитывающих атомно-электронную структуру исследуемой поверхности и ЗО;

— создать математическую модель распознавания характерных профило-грамм наночастиц КМ с применением аппарата НС, позволяющую производить их классификацию;

— сформировать обучающий набор для аппарата НС, состоящий из теоретических СТМ-изображений наночастиц КМ;

— разработать программно-аппаратные и методические средства СТМ для автоматического обнаружения и идентификации наночастиц КМ.

Объектом исследования является СТМ для изучения наночастиц КМ,

зондирующее острие, программно-аппаратные средства выделения, обработки и визуализации измерительной информации, топографические СТМ-изображения наночастиц КМ.

Предметом исследования являются математические модели зондирующего острия и комбинированного процесса его изготовления, модели для построения теоретических СТМ-изображений наночастиц с учетом атомно-электронной структуры поверхности и 30, модели для распознавания наночастиц на основе аппарата нейронных сетей, программно-аппаратное обеспечение СТМ.

Методы исследования.

В диссертации использован комплексный метод, включающий теоретические исследования и экспериментальную проверку полученных результатов. Работа выполнялась с применением математического моделирования. В теоретических исследованиях использовались: методы расчета атомно-электронной структуры поверхности, численные методы, теоретические основы информатики и программирования, методы обработки графической информации, основы теории искусственного интеллекта и аппарата нейронных сетей. В экспериментальных исследованиях применялись: теория измерения электрических и механических величин, статистические методы обработки результатов исследований, теория точности измерительных систем.

Научная новизна работы состоит в следующих результатах:

— создана комплексная методика численного моделирования протекания процессов электрохимического и химического травления на поверхности заготовки измерительной иглы СТМ на основе уравнений математической физики и химической кинетики, позволяющая проводить численные исследования процессов травления измерительных игл и определять оптимальные параметры этих процессов с целью получения зондирующих острий оптимальной формы;

— разработана методика моделирования теоретических СТМ-изображений, учитывающая атомно-электронное строение исследуемой поверхности и зондирующего острия СТМ, позволяющая получать достоверные изображения для их дальнейшего использования при распознавании наноструктуры поверхности;

— создана методика идентификации СТМ-изображений наноструктуры поверхности с использованием математического аппарата нейронных сетей, включающая двухэтапный алгоритм обучения, а также алгоритмы локализации объектов на изображениях;

-разработан программно-методический комплекс для идентификации объектов наноструктуры поверхности в СТМ, позволяющий проводить теоретическое моделирование СТМ-изображений, моделирование процесса формирования зондирующих острий методом комбинированного травления, а также осуществлять идентификацию наночастиц туннельным микроскопом.

Основные положения, выносимые на защиту.

1. Комплексная методика моделирования процесса изготовления ЗО СТМ методами электрохимического и химического травления, позволяющая получать острия оптимальной макроформы.

2. Методика расчета теоретических СТМ-изображений, учитывающая

атомно-электронную структуру поверхности и зондирующего острия измерительной иглы.

3. Теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита.

4. Метод локализации объектов наноструктуры поверхности на СТМ-изображениях.

5. Методика распознавания характерных СТМ-профилограмм для идентификации объектов наноструктуры поверхности.

6. Интеллектуальный цифровой СТМ, обеспечивающий расширение функциональных возможностей туннельного микроскопа посредством автоматического обнаружения и идентификации СТМ-изображений нанообъектов с повышенной надежностью;

7. Программно-методический комплекс с возможностью моделирования процесса изготовления измерительных игл СТМ, теоретических СТМ-топографий и автоматической локализации и идентификации изображений наноструктуры поверхности.

Достоверность полученных результатов основывается на данных натурных испытаний, использовании аттестованных измерительных средств, согласованности расчетных и экспериментальных данных.

Практическая ценность работы определяется ее прикладной направленностью, ориентированной на использование полученных результатов для идентификации наноструктуры поверхности сканирующим туннельным микроскопом.

Создан инструмент для идентификации наночастиц, в основе которого лежит аппарат нейронных сетей, позволяющий в реальном масштабе времени осуществлять распознавание наночастиц на СТМ-изображениях.

Для построения достоверных теоретических СТМ-изображений, применяемых при обучении нейронной сети, разработана система, использующая метод Бардина-Терсоффа-Хаманна, основанный на первопринципном расчете электронной структуры твердой поверхности. Предложенная система учитывает влияние атомно-электронной структуры 30 на формирование СТМ-изображений наноструктуры поверхности.

Разработаны рекомендации для технологии процесса изготовления измерительных игл оптимальной макроформы для СТМ-эксперимента с высокой разрешающей способностью.

Проведенные теоретические и экспериментальные исследования позволили решить задачу создания инструмента на базе СТМ для идентификации наночастиц. На их основе создан интеллектуальный цифровой СТМ для автоматического обнаружения и идентификации наночастиц.

Реализация результатов работы. Результаты диссертационной работы использованы при разработке и совершенствовании программно-аппаратных средств и методов для изучения наноструктуры поверхности сканирующим туннельным микроскопом и внедрены в ИМ УрО РАН, а также в учебном процессе ИжГТУ.

Работа выполнялась в соответствии с планами госбюджетных научно-исследовательских работ, проводимых ИМ УрО РАН:

— «Разработка прецизионных методов тестирования новых материалов и технических систем для энергетики, высокоэффективных химических процессов и нанотехнологий» (2007-2009г., № гос. per. 01200708351);

— «Создание новых методов и средств диагностики материалов и изделий для нанотехнологий, энергетики и обеспечения техногенной безопасности» (2010-2012г., № гос. per. 01201000907), атакже в рамках:

— интеграционного проекта УрО РАН и СО РАН «Теория и технология формирования атомарно острых зондирующих острий сканирующего туннельного микроскопа» (2006-2008г.);

— гранта РФФИ 10-08-96023-р_урал_а «Исследование электрофизических процессов формирования нанозондов для электрохимического сканирующего туннельного микроскопа» (2010-2012г.);

— интеграционного проекта УрО РАН и СО РАН «Теория и технология создания и использования атомарно острых зондирующих игл гибридных сканирующих туннельных микроскопов» (2009-2011г.).

Апробация работы.

Основные положения и результаты работы докладывались и обсуждались на трех международных научно-технической конференциях «Измерения, контроль, информатизация» (Барнаул, 2009-2011), научно-технической конференциях «Приборостроение в XXI веке: Интеграция науки, образования и производства» (Ижевск, 2007), международной научно-технической конференции «EQ-2008» (Ижевск, 2008), двух научно-технических конференциях «Виртуальные и интеллектуальные системы» (Барнаул, 2010-2011), научно-технической конференции, посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ (Ижевск, 2009), научно-техническом форуме с международным участием (Ижевск, 2004).

Публикации.

Основной материал диссертации отражен в 21 научных публикациях, в том числе: 4 статьях в изданиях, рекомендованных ВАК РФ, 2 патентах РФ.

Личный вклад автора.

Диссертантом лично разработаны и реализованы математические модели и методики процесса изготовления зондирующих острий СТМ, расчета теоретических СТМ-изображений, локализации и идентификации объектов наноструктуры поверхности. Выбор приоритетов, направлений, методов исследования, формирование структуры и содержания работы выполнены при активном участии научного руководителя д.т.н., профессора Шелковникова Ю. К. Выбор и обоснование математических методов, использованных при разработке моделей и методик, анализ и интерпретация результатов исследований выполнены при участии научного консультанта к.ф.-м.н., доцента Тюрикова A.B. В совместных публикациях автора его вклад состоит в постановке и проведении теоретических и прикладных исследований, которые определяют основу диссертации и новизну полученных результатов.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 156 наименований и приложения. Работа содержит 153 стр. машинописного текста, включая 69 рис., 5 табл. и приложение.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной для исследования темы, сформулирована цель, определены задачи диссертационной работы. Приведены научные положения, выносимые на защиту.

В первой главе дан обзор современного состояния вопросов в области исследований с применением СТМ, представленный работами Дж. Терсоффа, Д.Р. Хаммана, Н.Д. Ланга, М.С. Хайкина, B.C. Эдельмана, В.И. Панова,

A.О. Голубка, В.А. Быкова, В.К. Неволина, C.B. Гапонова, И.А. Дорофеева,

B.Л. Миронова, С.Р. Кизнерцева, A.B. Тюрикова и др. Определены направления исследований и задачи, выполнение которых необходимо для достижения цели.

Установлено, что современные программно-аппаратные средства сканирующей туннельной микроскопии не позволяют проводить автоматическую идентификацию наночастиц КМ на экспериментальных СТМ-изображениях. Обзор современных методик и исследований в области сканирующей туннельной микроскопии позволил установить ряд причин, послуживших этому основой. Такими причинами являются: сложность в создании атомарно-острых зондирующих острий, имеющих требуемую для СТМ-исследований макроформу; отсутствие достоверных СТМ-изображений наночастиц, использование которых необходимо при создании базы знаний, применяемой при идентификации экспериментальных СТМ-изображений; отсутствие методик автоматического интеллектуального распознавания результатов СТМ-эксперимента.

Поскольку приведенные выше причины являются препятствием для создания новых перспективных материалов на основе наночастиц, их решению уделяется особое внимание.

Во второй главе предложена математическая модель протекания процессов электрохимического и химического травления. Установлены параметры, влияющие на макроформу ИИ. Представленные результаты позволили определить оптимальную форму «шейки» заготовки иглы во время ее химической обработки.

Как было показано в работах Кизнерцева С.Р. и др. наиболее перспективным методом для получения атомарно острых 30 СТМ является комбинация электрохимического травления (производимого на первом этапе и используемого для придания необходимой макроформы заготовке ИИ) и химического травления (применяемого для формирования атомарных микровыступов острия ИИ).

Математическая модель процесса электрохимического травления предусматривает стационарное электрическое поле в электрохимической системе с учетом омического падения потенциала в электролите и концентрационных ограничений в приэлектродных диффузионных слоях. Процесс является итерационным. Модель формулируется в виде краевой задачи для уравнения Лапласа

Д«7(Г) = 0 (1)

относительно потенциала электрического поля в объеме электролита, в котором выполняется закон Ома:

j(r) = -a grader). (2)

На первом шаге задается напряжение (ра, выбирается начальное приближение плотности тока ./''(г) на границе заготовки, и далее из уравнения

ехр|-^(r) l-exp1Й(г)|| (3)

методом Ньютона определяются поверхностные перенапряжения rfa(f) (где F— постоянная Фарадея; R — универсальная газовая постоянная; Т — абсолютная температура; _/Д ае — кинетические параметры, определяемые по экспериментальным данным; п — число электронов, участвующих в реакции). Концентрации ионов са(г) на границе заготовки вычисляются согласно уравнения

nF D(c°-c(r))

= х ' ■ (4)

гЛ i-«J sd

где Da — коэффициент диффузии ионов; уи - коэффициент активности; 5(/ -толщина диффузионного слоя на границе электрод-электролит; с0, са — концентрации ионов в глубине электролита и на границе электрода. Концентрационные перенапряжения rfa (?), значения полной поляризации Ца и граничного потенциала <р(г) на границе заготовки находятся из выражений:

ПсЛг) = ~ In^; ПК Г) = '?:(?)+ п!(гУ, ...

nF с (5)

Ч'а(г) = <Ра-<Р(г).

Далее согласно уравнений (1), (2) по вычисленным <р{г) рассчитываются новые значения плотности тока/2\г). Таким образом, на каждом шаге осуществляется расчет полей плотности тока и потенциала на поверхности заготовки, снимается слой поверхности заготовки, пропорциональный скорости травления в каждой точке. Результирующий профиль заготовки иглы участвует в дальнейшем моделировании процесса химического дотравливания.

В исследованиях Кизнерцева С.Р. была предложена модель химического травления, учитывающая начальный профиль заготовки иглы. При этом заготовка ИИ аппроксимировалась совокупностью цилиндрических колец постоянного радиуса и малой высоты, каждый из которых подвергался химическому травлению с учетом соблюдения соответствующих граничных условий. Допущения, принятые при расчете, подразумевали длительную подготовку цифрового профиля иглы, а присущая данному подходу низкая дискретизация не позволяла произвести расчеты с необходимой точностью (полученная погрешность расчетов составляла -23%). Предложенный диссертантом метод исключает недостатки упомянутой модели, позволяя описать систему измерительная игла — травящая жидкость конечно-разностной сеткой любой необходимой точности, и рассчитать макропрофиль ЗО с учетом его естественной формы без привлечения ступенчатой цилиндрической аппроксимации.

В основу постановки задачи положены следующие допущения:

— объект исследования - металлическое тело, погруженное в сосуд с раствором травящей жидкости (рис. 1);

— плотность, вязкость и коэффициент диффузии травящей несжимаемой жидкости постоянны в пределах всего объема на протяжении всего времени травления;

— исследуемые процессы протекают при существенно дозвуковых скоростях;

— в системе отсутствует градиент давления (изобарические условия);

— реакция изотермическая, так как при определенных условиях, например, малой концентрации травящей жидкости (что приводит к медленной химической реакции), можно говорить о постоянстве температуры во всем объеме сосуда.

Зависимость скорости травления на поверхности (отнесенной к единице поверхности), как химической реакции, может быть представлена выражением:

и, = А-с ■ ехр —-

где А, Е - константы для данной реакции; Е — энергия активации для данной реакции; Т — температура на поверхности заготовки; с — концентрация травящей жидкости. Уравнение диффузии

дс

Рис. 1. Цилиндрическая симметрия заготовки и сосуда (где Я - радиус сосуда; — длина «шейки» заготовки; Ь — длина нижней части заготовки)

(6)

д1

-сИу(йс) = сИ\-(пЧс}

(7)

описывает распределение концентрации травящей жидкости (где р— плотность травящей жидкости; ы — полная гидродинамическая скорость; О — коэффициент диффузии).

В условиях отсутствия в системе гидродинамических потоков уравнение (7) запишется как:

— = еЬ>(1УЧс\

Я/ V /

а/

(8)

что позволяет (с учетом корректных граничных условий) определять поле концентрации травящей жидкости у поверхности заготовки ИИ, и после определения скорости травления рассчитывать текущий профиль ИИ в каждый момент времени, выполняя анализ факторов, влияющих на формирование острий оптимальной для СТМ формы.

На рис.2 представлен пример конечно-разностной сетки, используемой при расчете поля концентрации. Узлы конечно-разностной сетки делятся на объемные и поверхностные. Дискретные аналоги для уравнения, полученные

«вшвии

Рис. 2. Пример конечно-разностной сетки для расчета поля концентрации (где 1 - заготовка иглы, 2 - конечно-разностная сетка)

согласно методу Патанкара, также различны для объемных и граничных узлов. Дискретный аналог для узлов объемного типа выражается соотношениями:

арСр = aECE + awCw +aNCN +asCs + a°C°; ар = аЕ + aN + aw + as + а p, где Cr и C°— значения концентрации в объемном узле сетки на текущем и предыдущем временных шагах соответственно, а CE,CW,CK,CS — концентрации в четырех его соседних узлах. Коэффициенты аЕ, а„,,ак, as, а], определяются геометрическими параметрами сетки и временного шага. Для граничных узлов на поверхности заготовки выражения принимают вид:

арСр = аЕСЕ +aNCN + asCs+a"pCp; ^^

aF = аЕ +aN+ as + а"р — /а,

где у - коэффициент, определяющий поток концентрации границы, связанный с граничными условиями; а— коэффициент, определяемый геометрическими параметрами сетки. Для граничных узлов, связанных с границей сосуда, поток концентрации через нее отсутствует, и поэтому для них коэффициент у равен нулю, в отличие от граничных узлов вблизи заготовки, где «отток» концентрации связан с протекающей на границе химической реакцией.

Данные, полученные с помощью СТМ с ЗО заданной формы, формируют теоретические изображения поверхности для дальнейших процессов локализации и распознавания наночастиц. Построение теоретических изображений необходимо для создания обучающего набора данных, используемых для обучения и настройки аппарата НС, применяющегося затем для идентификации наночастиц КМ на экспериментальных СТМ-изображениях.

В третьей главе приведена модель расчёта и построения нанотопографии исследуемой поверхности с учетом атомно-электронной структуры ЗО. В работах Тюрикова A.B., Шелковникова Е.Ю. и др. исследование влияния иглы сводилось к её моделированию локально сферической поверхностью малого радиуса, что было эквивалентно использованию в качестве атомно-электронной

структуры ЗО единственного атома, обладающего лишь сферическими электронными состояниями. Естественно, что такая аппроксимация не позволяла учитывать ни геометрические параметры нановыступов поверхности ЗО, ни его реальное электронно-квантовое строение, а это не могло не сказаться на достоверности полученных результатов.

В отличие от вышеописанного приближения, метод, предложенный в диссертации, позволяет учесть как атомно-электронное строение исследуемого образца, так и влияние структуры ЗО. Он более ресурсоёмок, однако даёт наиболее точное изображение топографии поверхности.

Согласно общепринятой теории Бардина туннельный ток, при наличии рассчитанных волновых функций двух кластеров (иглы и подложки), определяется соотношением:

Ж-*). (и)

где V, ц — индексы, соответствующие электронным состояниям поверхности и иглы соответственно; Ем и — энергии этих состояний; С/ — туннельное напряжение («сдвиг») между поверхностью и иглой; /(£) — распределение Ферми. Туннельный матричный элемент М вычисляется как:

й2

где и (//^—молекулярные орбитали поверхности и иглы, соответственно.

Волновые функции, центрированные на атомах иглы и подложки с радиус-векторами г/и = {хщ, у/а, 2/и) и =(*„у, угр представляют собой линейную комбинацию функций гауссова типа (гауссианов):

(13)

/

где индексы ¡и, V- обозначают принадлежность к игле и поверхности соответственно. Принадлежность гауссиана к определенному типу симметрии определяется слетеровскими множителями х'ут2п следующим образом: х"у°2п = 1-5-симметрия; х'у^г0 = х, [х^у'г0 = у, = 2) ~ р-симметрия и т.д.

При наличии подобного разложения интеграл (12) должен быть вычислен в том случае, когда поверхность, через которую ведется интегрирование, повторяет форму иглы, так как туннельный ток в этом случае учитывается наиболее полно. Однако для удобства расчёта данная поверхность может быть заменена частью плоскости, параллельной поверхности подложки 2 = г0, имеющей форму квадрата с центром (х0,>'0) и стороной 2а (рис. 3).

Поскольку известно, что туннельный ток в основном протекает через

Рис. 3. Схематичное изображение поверхности интегрирования (где 1 - подложка; 2 - зонд СТМ; 3 - поверхность интегрирования).

ближайший к поверхности атом иглы, то в случае, когда часть плоской поверхности перекрывает этот атом (а также и другие атомы, являющиеся его «соседями», большая часть туннельного тока (-99%) будет учтена.

В результате выражение (12) для матричного элемента может быть преобразовано к виду:

в котором его численная реализация не представляет существенных проблем.

Таким образом, для построения теоретических СТМ-изображений с учётом квантовой структуры 30 необходимо выполнить расчёт атомно-электронной структуры острия (в экспериментальных исследованиях использовалась вольфрамовая игла) и исследуемой поверхности. Результаты моделирования используются для составления набора данных, необходимого для проведения обучения и настройки аппарата НС, применяемого для автоматической локализации и идентификации наночастиц КМ на экспериментальных СТМ-изображениях.

В четвертой главе разработаны математические и алгоритмические основы обнаружения и идентификации СТМ-изображений.

На подготовительном этапе выполняются следующие действия:

х

(14)

— выделение участка изображения с объемной наночастицей на подложке графита;

— нахождение профилограмм частицы;

— нормализация профилограмм в заданном диапазоне.

Для обнаружения наночастицы на изображении используется аппарат нейронных сетей с использованием методики обучения адаптивного усиления (AdaBoost) и примитивов (Haar-like features) для описания объекта. Процедура распознавания объекта классифицирует объект частицы на изображении, основываясь на значениях примитивов. Для обучения классификаторов используются два набора изображений: положительные (изображения объекта) и отрицательные (фон). Обученная таким образом (рис. 4) нейронная сеть затем принимает форму каскада.

Использование каскада помогает на ранних этапах обработки информации выделить изображения, содержащие объект, или прекратить обработку при его отсутствии. Через обнаруженные наночастицы проводится ряд профилограмм, на которых выделяется участок, соответствующий частице, и производится нормировка по длине и ширине в диапазоне 0..1. Таким образом, в ходе обработки трехмерного изображения с помощью общих и узкоспециализированных алгоритмов, выявляется набор нормализованных СТМ-профилей, пригодных для автоматического распознавания с помощью аппарата нейронных сетей.

В целях идентификации наночастицы осуществляется обучение нейронной сети с произвольным числом скрытых слоев с применением профилограмм теоретических СТМ-изображений, а также сохранение параметров нейронной сети, и затем — непосредственно распознавание СТМ-изображения. Среди различных структур нейронных сетей одной из наиболее известных и применяемых на практике является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми выходами (аксонами) нейронов предыдущего слоя или, в случае первого слоя, со всеми входами нейронной сети.

На рис.5 «-мерный вектор-столбец А" = (д:,,дг2...,лг„)г обозначает входящий сигнал, подлежащий распознаванию, к-му слою нейронов соответствует матрица весовых коэффициентов wjp, определяющая состояние sf^ j-го

нейрона слоя к, которое есть взвешенная сумма его входов, являющихся одновременно выходами предыдущего слоя нейронов , при этом для первого

где Мк — число нейронов слоя к.

Выход каждого нейрона определяется активационной функцией его состояния /С*). Активационная функция представляет собой сигмовидную кривую, определяемую соотношением:

слоя у{р = Xj:

(15)

/=1

Рис. 4. Алгоритм АёаВооБ! для обучения нейронной сети с помощью классификаторов

X, Х2

V4 н-*""^—^ 1

1=1

Х4

1 Л"

2 Я

Рис. 5. Структура узлов двухслойной нейронной сети

(16)

Использование генетического алгоритма в качестве первого этапа процедуры обучения позволило увеличить число внутренних слоев нейронной сети, что в результате повысило, как качество процесса классификации наночастиц, так и сходимость НС.

Суть генетического алгоритма заключается в нахождении глобального экстремума многоэкстремальной функции, и параллельной обработке множества альтернативных решений. Поиск концентрируется на наиболее перспективных из них. В результате работы генетического алгоритма обучения определяется первоначальный набор весов нейронной сети. Эти веса впоследствии проходят тонкую подстройку с помощью алгоритма обратного распространения, который состоит в следующем. На вход подается эталонный сигнал, обрабатываемый нейронной сетью, а выходной сигнал (результат распознавания) сравнивается с заранее известным ответом при помощи целевой функции, построенной методом наименьших квадратов:

EM-^iyT-^Y, (]7)

где — реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы р-го эталонного образа; dJP — идеальное (желаемое) выходное состояние этого нейрона. В случае, если ошибка, вычисляемая согласно (12), превосходит заданную величину, происходит корректировка весовых коэффициентов нейронной сети, протекающая в обратном порядке (от последнего слоя к первому):

сЬГ

II

„("> - и.. „(»-')

¿Ж).

л: ' (18)

Ьу/™ =-г}-б)" -у)"

где г; — коэффициент скорости обучения; 0<т<1; АЦ"1 - поправка, вносимая в синаптические весовые коэффициенты я-го слоя. После корректировки весов нейронной сети

Ч")(0 = <>(^-1) + А<)(/) (19)

(где I — шаг обучения) процедура обучения повторяется до достижения нужной точности распознавания.

Таким образом, в диссертационной работе автором впервые разработана методика автоматизированной локализации объемных наночастиц и последующего распознавания СТМ-изображений с применением нейронной сети, прошедшей двухэтапную схему обучения.

В пятой главе приведены технические, методические и программные решения, направленные на создание интеллектуального цифрового СТМ для автоматического обнаружения и распознавания наночастиц.

Для автоматической идентификации наночастиц создан защищенный патентом РФ интеллектуальный цифровой СТМ, который обеспечивает расширение функциональных возможностей туннельного микроскопа посредством автоматического обнаружения и распознавания СТМ-изображений нанообъектов с повышенной надежностью, обеспечиваемой использованием эффективного метода распознавания на основе аппарата нейронных сетей, а также посредством уменьшения шумов на СТМ-изображениях и приостановки измерений на периоды времени с повышенным виброакустическим фоном путем введения системы активной виброзащиты.

Программно-методический комплекс для идентификации наноструктуры поверхности в СТМ построен на основе объектно-ориентированного программирования по модульной архитектуре и предназначен для программной реализации автоматического распознавания наночастиц с использованием аппарата нейронных сетей. Структурная схема разработанного комплекса представлена на рис.б, который включает в себя следующие подсистемы и модули.

1. Управляющий модуль системы - это ядро системы, обеспечивающее связь с другими подсистемами, снабжающее их входными данными и занимающееся обработкой и дальнейшей передачей выходных данных, а также взаимодействием с пользователем.

2. Подсистема автоматического распознавания наночастиц, отвечающая

за обнаружение и классификацию наночастиц на экспериментальных СТМ-изображениях. Она использует нейронную сеть, для обучения которой применяются теоретические СТМ-изображения, полученные в подсистеме моделирования теоретических СТМ-изображений наночастиц. Основными модулями данной подсистемы являются следующие:

Рис. 6. Архитектура программно-методического комплекса для автоматической идентификации СТМ-изображений наноструктуры поверхности

- модуль локализации наиочастиц на СТМ-изображении, предназначенный для выделения участка изображения, соответствующего наночастице с целью последующего получения ее характерной профилограммы;

- модуль выделения профилограммы наночастицы, обеспечивающий выделение и построение ее характерной профилограммы;

— модуль обучения нейронной сети, использующий методы генетического алгоритма и обратного распространения ошибки. Обучающий наборнейронной сети составляют полученные в модуле построения профилограмм СТМ-профили наночастицы;

— модуль автоматического распознавания и классификации частиц, использующий обученную ранее нейронную сеть.

3. Подсистема моделирования процесса изготовления зондирующих острий СТМ, предназначенная для моделирования процессов комбинированного электрохимического-химического травления игл сканирующего туннельного микроскопа, выполнения численных исследований и определения параметров и режимов эксперимента для получения зондирующих острий оптимальной формы. Это необходимо для обеспечения качественными экспериментальными СТМ-изображениями подсистемы автоматического распознавания наночастиц. Основными модулями данной подсистемы являются следующие:

— модуль расчета процесса электрохимического травления ЗО, предназначенный для расчёта процесса его изготовления на начальном этапе. Модуль является программной реализацией процесса электрохимического травления, который предусматривает стационарное электрическое поле в электрохимической системе с учетом омического падения потенциала в электролите и концентрационных ограничений в приэлектродных диффузионных слоях;

- модуль расчета процесса химического травления заготовки 30, включающий логическое описание и программную реализацию дискретных аналогов уравнений математической физики.

4. Подсистема моделирования теоретических СТМ-изображений наночастиц, предназначенная для расчета и построения теоретических СТМ-изображений, необходимых для составления обучающего набора нейронной сети. Основными модулями данной подсистемы являются следующие:

- модуль управления расчётами топографических СТМ-изображений, базирующийся на атомно-электронной структуре зондирующей иглы и исследуемой поверхности, а также на первопринципных методах в пакете квантово-механических расчетов ОАМЕББ;

— модуль управления данными, отвечающий за взаимодействие с базой данных, используемой для систематизированного хранения объектов разработанного комплекса;

— модуль управления представлением, обеспечивающий графическое представление данных полученных в модуле управления расчетами;

С применением разработанного программно-методического комплекса проведено моделирование теоретических СТМ-изображений ряда моноатомных наночастиц, в качестве примера на рис.7, представлены топографические изображения атома никеля на поверхности пиролитического графита.

а) б)

Рис.7. Теоретическое изображений атома никеля на графитовой подложке:

а - 2Б-вид; б - ЗО-вид

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований разработаны и научно обоснованы математические, программные и аппаратные средства автоматизированного анализа наночастиц КМ, а также комплексная структура СТМ-эксперимента, что способствует созданию новых перспективных кластерных материалов.

1. Разработана комплексная методика моделирования процесса изготовления зондирующих острий СТМ на основе комбинации электрохимического и химического травления, позволяющая получать 30 заданной макроформы.

2. Выполнено моделирование процессов электрохимического и химического травления измерительных игл СТМ, в результате которого определены основные параметры, качественно влияющие на форму зондирующего острия. Даны рекомендации для их выбора с целью получения ЗО оптимальной формы.

3. Создана методика расчета теоретических СТМ-изображений, учитывающая атомно-электронную структуру зондирующего острия. Учет влияния ЗО на результирующую СТМ-топографию позволил существенно уменьшить погрешность моделирования (по сравнению с моделями без учета структуры острия).

4. С применением разработанной методики рассчитаны теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита. Погрешность расчета (в сравнении с экспериментальными данными) составила -9%.

6. Предложена методика локализации и идентификации объектов наноструктуры поверхности на СТМ-изображениях, использующая математический аппарат нейронных сетей. Применение комплексной методики обучения нейронной сети, использующей генетический алгоритм и метод обратного

распространения ошибок, позволило существенно увеличить точность идентификации наночастиц.

7. Разработан интеллектуальный цифровой СТМ с возможностью автоматического обнаружения и идентификации нанообъектов на СТМ-изображениях с повышенной надежностью, обеспечиваемой использованием эффективного метода распознавания на основе аппарата нейронных сетей.

СПИСОК РАБОТ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ

1. Липанов A.M. Метод исследования химического травления заготовок измерительных игл туннельного микроскопа / Липанов A.M., Суворов A.C., Шелковников Е.Ю., Гуляев П.В., Кизнерцев С.Р., Жуйков Б.Л. // Химическая физика и мезоскопия.-2007г. -Т.9.-№2.-С.172-182.

2. Тюриков A.B. Локализация и идентификация СТМ-изображений ультрадисперсных частиц с применением аппарата нейронных сетей / Тюриков A.B., Суворов A.C., Шелковников Е.Ю., Гуляев П.В., Гафаров М.Р. // Химическая физика и мезоскопия. — 2009 — Т.П. — №4. — С.467-475.

3. Липанов A.M. Применение генетического алгоритма для обучения нейронной сети в задаче идентификации СТМ - изображений / Липанов A.M., Тюриков A.B., Суворов A.C., Шелковников Е.Ю., Гуляев П.В. // Ползуновский вестник. - 2010. -№2. - С.217-221.

4. Шелковников Е.Ю. Гибридный туннельный микроскоп с интегрированным бипотенциостатом для изучения наночастиц / Шелковников Е.Ю., Тюриков A.B., Гуляев П.В., Суворов A.C., Гафаров М.Р., Липанов С.И. // Химическая физика и мезоскопия. - 2011 г.- Т. 13.- №3. - С. 448-451.

5. Патент РФ на изобретение №2361197. Бипотенциостат / Липанов A.M., Гуляев П.В., Шелковников Ю.К, Осипов Н.И., Гафаров М.Р, Суворов A.C. -Опубл. 10.07.2009.-Бюл.№ 19.

6. Патент РФ на полезную модель №112504. Сканирующий туннельный микроскоп / Шелковников Е.Ю., Тюриков A.B., Гуляев П.В., Осипов Н.И., Кизнерцев С.Р., Гафаров М.Р., Суворов A.C., Тарасов М.В. - Опубл. 10.01.2012. — Бюл. №1.

7. Суворов A.C. Методика обработки топографических СТМ-изображений для их идентификации с применением нейронной сети // Ползуновский Альманах. - Барнаул: АлтГТУ, 2009. - №2. - С. 177-179.

8. Шелковников Е.Ю. Расчет профиля зондирующих игл растрового туннельного микроскопа при их изготовлении методом химического травления / Шелковников Е.Ю., Тюриков A.B., Кизнерцев С.Р., Суворов A.C. // Сб. тр. науч.-техн. форума с междунар. участием: В 4 ч.- Ч.З.—Ижевск: Изд-во Иж-ГТУ, 2004.-С.151-156.

9. Тюриков А.В Исследование процесса травления СТМ-зондов с использованием гидродинамических методов / Тюриков A.B., Шелковников Е.Ю., Суворов A.C., Кизнерцев С.Р. // Материалы докладов НТК «Приборостроение

в XXI веке. Интеграция науки, образование и производства». — Ижевск: Изд-во ИжГТУ, 2006. - С.269-275.

10. Тюриков A.B. Методика моделирования процесса травления зондирующих игл / Тюриков A.B., Суворов A.C., Осипов Н.И., Гудцов Д.В. // Материалы докладов НТК «Приборостроение в XXI веке. Интеграция науки, образование и производства». — Ижевск: Изд-во ИжГТУ, 2007. — С.129-131.

11. Шелковников Ю.К. Оптимизация параметров процесса химического травления СТМ-игл с использованием нейронных сетей / Шелковников Ю.К., Тюриков A.B., Суворов A.C., Кизнерцев С.Р., Осипов Н.И., Гудцов Д.В. II Материалы международной НТК «EQ-2008». — Ижевск: Изд-во ИжГТУ, 2008. - С.30-35.

12. Шелковников Е.Ю. Моделирование СТМ-топографии атома меди на поверхности графитовой подложки / Шелковников Е.Ю., Тюриков A.B., Гуляев П.В., Мельников А.Ю., Суворов A.C. Плетнев М.А. // Материалы международной НТК «EQ-2008». - Ижевск: Изд-во ИжГТУ, 2008. - С.36-38.

13. Тюриков A.B. Методика распознавания профилограмм СТМ-изображений с применением нейронной сети / Тюриков A.B., Гуляев П.В., Кизнерцев С.Р., Суворов A.C. // Материалы международной НТК «Измерения, контроль, информатизация». - Барнаул: АлтГТУ, 2009. - С. 189-192.

14. Гуляев П.В. Методика изготовления изолированных игл для электрохимического туннельного микроскопа / Гуляев П.В., Тюриков A.B., Гафаров М.Р., Суворов A.C. // Сб. тр. НТК, посвященной 50-летию кафедры «Вычислительная техника». — Ижевск: Изд-во ИжГТУ, 2009. — С.59-62.

15. Тюриков A.B. Распознавание калибровочных СТМ-изображений с применением нейронных сетей / Тюриков A.B., Шелковников Е.Ю., Осипов Н.И., Суворов A.C. // Сб. тр. НТК, посвященной 50-летию кафедры «Вычислительная техника». — Ижевск: Изд-во ИжГТУ, 2009. — С.239-242.

16. Тюриков A.B. Моделирование СТМ-изображений микрокластеров переходных металлов на поверхности HOPG / Тюриков A.B., Осипов Н.И., Кизнерцев С.Р., Суворов A.C. // Сб. тр. НТК, посвященной 50-летию кафедры «Вычислительная техника». — Ижевск: Изд-во ИжГТУ, 2009. — С.235-238.

17. Шелковников Ю.К., Суворов A.C., Тарасов М.В., Закаменных Л.Г. Идентификация изображений поверхности методами нечеткой логики и нейронных сетей / Шелковников Ю.К., Суворов A.C., Тарасов М.В., Закаменных Л.Г. // Материалы науч. конф. «Байкальские чтения: наноструктурированные системы и актуальные проблемы механики сплошной среды (теория и эксперимент)». - Ижевск: ИПМ УрО РАН, 2010. - С.45-49.

18. Тюриков A.B. Метод теоретического расчета СТМ-топографий с учетом электронной структуры исследуемой поверхности и зонда СТМ / Тюриков A.B., Суворов A.C., Гуляев П.В., Кизнерцев С.Р. // Материалы седьмой международной НТК «Измерения, контроль, информатизация»,- Барнаул: АлтГТУ, 2010.-С.51.53.

19. Тюриков A.B. Методика обучения нейронной сети с применением динамической системы гомеостатических нейронов в задаче распознавания СТМ-изображений / Тюриков A.B., Шелковников Е.Ю., Суворов A.C., Тарасов М.В., Гафаров М.Р. // Ползуновский Альманах. — Барнаул: АлтГТУ, 2010. -С.31-33.

20. Тюриков A.B. Анализ погрешности распознавания СТМ-изображений нано-частиц с применением нейронной сети / Тюриков A.B., Суворов A.C., Шелковников Ю.К., Тарасов М.В., Гафаров М.Р. // Материалы двенадцатой международной НТК «Измерения, контроль, информатизация»,- Барнаул: АлтГТУ, 2011. - С.38-40.

21. Тюриков A.B. Методика сравнения теоретических и экспериментальных СТМ-изображений на основе алгоритмов сегментации и морфинга / Тюриков A.B., Суворов A.C., Осипов Н.И., Кизнерцев С.Р., Липанов С.И. // Ползуновский Альманах. - Барнаул: АлтГТУ, 2011. - С.85-87.

Соискатель

^и^рР^ А.С. Суворов

Подписано в печать 20.04.2012 Бумага офсетная Формат 60x84/16 Объем 1п.л. Тираж 100 экз.

Отпечатано в типографии ИМ УрО РАН 426067, г. Ижевск, ул. Т. Барамзиной, 34 ПЛД №25-45 от 14.12.1995 г.

ПЕРЕЧЕНЬ ОСНОВНЫХ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ.

ВВЕДЕНИЕ.

Глава 1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ИССЛЕДОВАНИЯ НАНОЧАСТИЦ КЛАСТЕРНЫХ МАТЕРИАЛОВ.

1.1. Обзор основных принципов и методик сканирующей зондовой микроскопии.

1.2. Обзор методов изготовления зондирующих острий сканирующего туннельного микроскопа.

1.3. Обзор методик расчёта квантово-электронной структуры поверхности и моделирования СТМ-изображений.

1.4. Обзор методов распознавания и анализа изображений объектов.

1.5. Выводы, постановка цели и задач исследований.

Глава 2. ФОРМИРОВАНИЕ ЗОНДИРУЮЩИХ ОСТРИЙ СКАНИРУЮЩЕГО ТУННЕЛЬНОГО МИКРОСКОПА.

2.1. Влияние геометрических характеристик 30 на точность СТМ-эксперимента.

2.1.1. Необходимость создания 30 определенной формы.

2.1.2. Электрохимический метод изготовления 30.

2.1.3. Метод химического травления 30.

2.1.4. Вывод о необходимости комбинированного травления.

2.2. Моделирование процесса электрохимического травления 30 СТМ.

2.3. Моделирование процесса химического травления 30 СТМ.

Выводы по главе 2.

Глава 3. МОДЕЛИРОВАНИЕ ТОПОГРАФИЧЕСКИХ СТМ-ИЗОБРАЖЕНИЙ.

3.1. Обзор методов расчёта электронной структуры поверхности.

3.2. Метод Хартри-Фока для расчёта электронной структуры.

3.3. Теория туннельного эффекта Бардина-Терсоффа-Хаманна.

3.4. Расчёт туннельного тока без учёта электронной структуры зонда.

3.5. Расчёт туннельного тока с учётом электронной структуры зонда.

Выводы по главе 3.

Глава 4. ИДЕНТИФИКАЦИЯ СТМ-ИЗОБРАЖЕНИЙ.

4.1. Локализация частицы на СТМ-изображении.

4.2. Обучение нейронной сети методом обратного распространения для распознавания типа наночастицы на характерных профилограммах.

4.3. Обучение нейронной сети с помощью генетического алгоритма.

Выводы по главе 4.

Глава 5. ПРОГРАММНО-АППАРАТНОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СТМ ДЛЯ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ НАНОЧАСТИЦ.

5.1. Структура и принципы функционирования интеллектуального ЦСТМ для автоматического распознавания наночастиц.

5.2. Программно-методический комплекс для идентификации наноструктуры поверхности в СТМ.

5.2.1. Подсистема моделирования процесса изготовления зондирующих игл туннельного микроскопа.

5.2.2. Подсистема моделирования теоретических СТМ-изображений наночастиц.

5.2.3. Подсистема автоматического распознавания наночастиц.

5.3. Оценка погрешности результатов моделирования процесса изготовления 30 и рекомендации для его формирования.

5.4. Построение теоретических СТМ-изображений наночастиц с учетом атомной структуры 30 и оценка их достоверности.

5.5. Распознавание СТМ-изображений с применением аппарата нейронных сетей.

Выводы по главе 5.

Актуальность темы связана с необходимостью разработки методов и средств автоматического обнаружения, распознавания, классификации и анализа топографических изображений наночастиц (НЧ) кластерных материалов (КМ) с использованием сканирующего туннельного микроскопа (СТМ).

Следует отметить, что по своей физической сущности топографические СТМ-изображения при малых туннельных напряжениях представляют собой изоповерхности электронной плотности в окрестности энергии Ферми. В то же время важнейшие параметры топографии поверхности наночастиц - размеры и геометрия - имеют такую же физическую природу, так как образованы теми же электронными состояниями поверхности Ферми, локализованными в их окрестности.

Поэтому для автоматической идентификации СТМ-изображений наноструктуры исследуемой поверхности наиболее целесообразно построение ее теоретического СТМ-изображения, которое дает хорошее согласие с экспериментом и может быть использовано в качестве достаточно достоверной модели наноструктуры поверхности. Для построения теоретических СТМ-изображений наночастиц могут использоваться полуэмпирические и самосогласованные первопринципные методы расчета электронной структуры поверхности, при этом наиболее перспективными являются кластерные самосогласованные первопринципные методы расчета, позволяющие наиболее точно учитывать квантовую структуру поверхности изучаемых наночастиц. Однако, также необходимы и достоверные экспериментальные изображения наночастиц, что требует сравнительного анализа реальных факторов, влияющих на точность измерительной информации. ^

Одним из основных элементов туннельного микроскопа, определяющих его пространственное разрешение, и, как следствие, достоверность получаемых СТМ-изображений наноструктуры поверхности, является зондирующее острие (30) требуемой формы и остроты. Поэтому исследование процессов изготовления и формирование технологических требований для получения такого острия являются актуальной задачей. В работах Кизнерцева С.Р., Тюри-кова A.B. и др. была предложена модель изготовления измерительных игл (ИИ) СТМ методом химического травления. Ее основными недостатками являются низкая дискретизация, не позволяющая осуществлять расчеты с необходимой точностью, а также отсутствие моделирования начального этапа изготовления 30 - электрохимического травления. Таким образом, необходимо разработать новую модель изготовления 30 с повышенной точностью, учитывающую электрохимическую составляющую процесса травления и динамическое изменение концентрации травящей жидкости при химическом травлении вблизи поверхности заготовки ИИ.

Для решения задачи идентификации наноструктуры поверхности необходимым является наличие инструмента построения достоверных теоретических СТМ-изображений наночастиц. Существующие методики построения таких изображений не учитывают атомно-электронное строение 30 и его влияние на результирующую картину численного эксперимента, что негативно сказывается на точности расчета нанотопографии поверхности. Поэтому актуальным является разработка и обоснование методов построения теоретических СТМ-изображений с учетом атомно-электронного строения как поверхности, так и зондирующего острия.

Изображения, получаемые с помощью сканирующего туннельного микроскопа, обладают рядом недостатков, связанных с особенностями его работы и метода исследований: отсутствием строго-ограниченной шкалы координат, произвольным углом отображения наночастиц, а также наличием шумов и искажений различной природы. При этом осуществить идентификацию наночастиц прямым сравнением их теоретических и экспериментальных СТМ-изображений практически невозможно. Возникает необходимость разработки специальных методов распознавания наночастиц на формируемых СТМ-изображениях. Анализ показал, что в этом случае наиболее перспективным представляется метод, основанный на применении аппарата нейронных сетей (НС), позволяющий автоматизировать процесс локализации и распознавания СТМ-изображений наночастиц с высокой степенью достоверности.

Таким образом, создание надёжного прецизионного инструмента на базе СТМ для идентификации наноструктуры поверхности является актуальной задачей. Для её решения необходимы разработка и исследования математических моделей, программно-аппаратных средств туннельного микроскопа, обеспечивающих автоматическое обнаружение, локализацию и идентификацию наночастиц исследуемых кластерных материалов.

Целью работы является разработка и обоснование физико-математических, алгоритмических, методических, а также программно-аппаратных средств автоматического обнаружения и идентификации наночастиц сканирующим туннельным микроскопом, внедрение которых имеет существенное значение для создания новых перспективных кластерных материалов.

Для достижения поставленной цели решались следующие задачи:

- создать расчетную модель процесса изготовления измерительных игл СТМ методом комбинированного (электрохимического и химического) травления;

- определить технологические параметры процесса химического травления заготовки измерительной иглы СТМ, существенно влияющие на профиль получаемых 30 и дать рекомендации для формирования острий оптимальной макроформы;

- разработать методику расчета теоретических СТМ-изображений, учитывающих атомно-электронную структуру исследуемой поверхности и 30;

- создать математическую модель распознавания характерных профило-грамм наночастиц КМ с применением аппарата НС, позволяющую производить их классификацию;

- сформировать обучающий набор для аппарата НС, состоящий из теоретических СТМ-изображений наночастиц КМ;

- разработать программно-аппаратные и методические средства СТМ для автоматического обнаружения и идентификации наночастиц КМ.

Объектом исследования является СТМ для изучения наночастиц КМ, зондирующее острие, программно-аппаратные средства выделения, обработки и визуализации измерительной информации, топографические СТМ-изображения наночастиц КМ.

Предметом исследования являются математические модели зондирующего острия и комбинированного процесса его изготовления, модели для построения теоретических СТМ-изображений наночастиц с учетом атомно-электронной структуры поверхности и ЗО, модели для распознавания наночастиц на основе аппарата нейронных сетей, программно-аппаратное обеспечение СТМ.

Методы исследования.

В диссертации использован комплексный метод, включающий теоретические исследования и экспериментальную проверку полученных результатов. Работа выполнялась с применением математического моделирования. В теоретических исследованиях использовались: методы расчета атомно-электронной структуры поверхности, численные методы, теоретические основы информатики и программирования, методы обработки графической информации, основы теории искусственного интеллекта и аппарата нейронных сетей. В экспериментальных исследованиях применялись: теория измерения электрических и механических величин, статистические методы обработки результатов исследований, теория точности измерительных систем.

Научная новизна работы состоит в следующих результатах:

- создана комплексная методика численного моделирования протекания процессов электрохимического и химического травления на поверхности заготовки измерительной иглы СТМ на основе уравнений математической физики и химической кинетики, позволяющая проводить численные исследования процессов травления измерительных игл и определять оптимальные параметры этих процессов с целью получения зондирующих острий оптимальной формы;

- разработана методика моделирования теоретических СТМ-изображений, учитывающая атомно-электронное строение исследуемой поверхности и зондирующего острия СТМ, позволяющая получать достоверные изображения для их дальнейшего использования при распознавании наноструктуры поверхности;

- создана методика идентификации СТМ-изображений наноструктуры поверхности с использованием математического аппарата нейронных сетей, включающая двухэтапный алгоритм обучения, а также алгоритмы локализации объектов на изображениях;

- разработан программно-методический комплекс для идентификации объектов наноструктуры поверхности в СТМ, позволяющий проводить теоретическое моделирование СТМ-изображений, моделирование процесса формирования зондирующих острий методом комбинированного травления, а также осуществлять идентификацию наночастиц туннельным микроскопом.

Основные положения, выносимые на защиту.

1. Комплексная методика моделирования процесса изготовления ЗО СТМ методами электрохимического и химического травления, позволяющая получать острия оптимальной макроформы.

2. Методика расчета теоретических СТМ-изображений, учитывающая атомно-электронную структуру поверхности и зондирующего острия измерительной иглы.

3. Теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита.

4. Метод локализации объектов наноструктуры поверхности на СТМ-изображениях.

5. Методика распознавания характерных СТМ-профилограмм для идентификации объектов наноструктуры поверхности.

6. Интеллектуальный цифровой СТМ, обеспечивающий расширение функциональных возможностей туннельного микроскопа посредством автоматического обнаружения и идентификации СТМ-изображений нанообъектов с повышенной надежностью;

7. Программно-методический комплекс с возможностью моделирования процесса изготовления измерительных игл СТМ, теоретических СТМ-топографий и автоматической локализации и идентификации изображений наноструктуры поверхности.

Достоверность полученных результатов основывается на данных натурных испытаний, использовании аттестованных измерительных средств, согласованности расчетных и экспериментальных данных.

Практическая ценность работы определяется ее прикладной направленностью, ориентированной на использование полученных результатов для идентификации наноструктуры поверхности сканирующим туннельным микроскопом.

Создан инструмент для идентификации наночастиц, в основе которого лежит аппарат нейронных сетей, позволяющий в реальном масштабе времени осуществлять распознавание наночастиц на СТМ-изображениях.

Для построения достоверных теоретических СТМ-изображений, применяемых при обучении нейронной сети, разработана система, использующая метод Бардина-Терсоффа-Хаманна, основанный на первопринципном расчете электронной структуры твердой поверхности. Предложенная система учитывает влияние атомно-электронной структуры 30 на формирование СТМ-изображений наноструктуры поверхности.

Разработаны рекомендации для технологии процесса изготовления измерительных игл оптимальной макроформы для СТМ-эксперимента с высокой разрешающей способностью.

Проведенные теоретические и экспериментальные исследования позволили решить задачу создания инструмента на базе СТМ для идентификации наночастиц. На их основе создан интеллектуальный цифровой СТМ для автоматического обнаружения и идентификации наночастиц.

Реализация результатов работы. Результаты диссертационной работы использованы при разработке и совершенствовании программно-аппаратных средств и методов для изучения наноструктуры поверхности сканирующим туннельным микроскопом и внедрены в ИМ УрО РАН, а также в учебном процессе ИжГТУ.

Работа выполнялась в соответствии с планами госбюджетных научно-исследовательских работ, проводимых ИМ УрО РАН:

- «Разработка прецизионных методов тестирования новых материалов и технических систем для энергетики, высокоэффективных химических процессов и нанотехнологий» (2007-2009г., № гос. per. 01200708351);

- «Создание новых методов и средств диагностики материалов и изделий для нанотехнологий, энергетики и обеспечения техногенной безопасности» (2010-2012г., № гос. per. 01201000907), а также в рамках:

- интеграционного проекта УрО РАН и СО РАН «Теория и технология формирования атомарно острых зондирующих острий сканирующего туннельного микроскопа» (2006-2008г.);

- гранта РФФИ 10-08-96023-рурала «Исследование электрофизических процессов формирования нанозондов для электрохимического сканирующего туннельного микроскопа» (2010-2012г.);

- интеграционного проекта УрО РАН и СО РАН «Теория и технология создания и использования атомарно острых зондирующих игл гибридных сканирующих туннельных микроскопов» (2009-2011г.).

Апробация работы.

Основные положения и результаты работы докладывались и обсуждались на трех международных научно-технической конференциях «Измерения, контроль, информатизация» (Барнаул, 2009-2011), научно-технической конференциях «Приборостроение в XXI веке: Интеграция науки, образования и производства» (Ижевск, 2007), международной научно-технической конференции «EQ-2008» (Ижевск, 2008), двух научно-технических конференциях «Виртуальные и интеллектуальные системы» (Барнаул, 2010-2011), научно-технической конференции, посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ (Ижевск, 2009), научно-техническом форуме с международным участием (Ижевск, 2004).

Публикации.

Основной материал диссертации отражен в 21 научных публикациях, в том числе: 4 статьях в изданиях, рекомендованных ВАК РФ, 2 патентах РФ.

Структура и объем работы определяются общим замыслом и логикой проведения исследований. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 156 наименований и приложения. Работа содержит 153 стр. машинописного текста, включая 69 рис., 5 табл. и приложение.

Основные выводы и результаты:

1. Разработана комплексная методика моделирования процесса изготовления зондирующих острий СТМ на основе комбинации электрохимического и химического травления, позволяющая получать 30 заданной макроформы.

2. Выполнено моделирование процессов электрохимического и химического травления измерительных игл СТМ, в результате которого определены основные параметры, качественно влияющие на форму зондирующего острия. Даны рекомендации для их выбора с целью получения 30 оптимальной формы.

3. Создана методика расчета теоретических СТМ-изображений, учитывающая атомно-электронную структуру зондирующего острия. Учет влияния 30 на результирующую СТМ-топографию позволил существенно уменьшить погрешность моделирования (по сравнению с моделями без учета структуры острия).

4. С применением разработанной методики рассчитаны теоретические СТМ-изображения ряда моноатомных наночастиц на поверхности высокоориентированного пиролитического графита. Погрешность расчета (в сравнении с экспериментальными данными для графита) составила -9%.

5. Предложена методика локализации и идентификации объектов наноструктуры поверхности на СТМ-изображениях, использующая математический аппарат нейронных сетей. Применение комплексной методики обучения нейронной сети, использующей генетический алгоритм и метод обратного распространения ошибок, позволило существенно увеличить точность идентификации наночастиц.

6. Разработан защищенный патентом РФ интеллектуальный цифровой СТМ с возможностью автоматического обнаружения и идентификации нано-объектов на СТМ-изображениях с повышенной надежностью, обеспечиваемой использованием эффективного метода распознавания на основе аппарата нейронных сетей.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований разработаны научно обоснованные математические, программные и аппаратные средства автоматизированного анализа наночастиц КМ, а также комплексная структура СТМ-эксперимента, что способствует созданию новых перспективных кластерных материалов.

1. Hwang J. Imaging phase-separated domains in conducting polymer blend films with near-field scanning optical microscopy / Goldner L.S., Karim A., Gettinger C. // Appl. Opt. 40(22) 3737-3745. 2001. P. 1-6.

2. Hansma P.K. The scanning ion-conductance microscope / Drake B., Marti O., Gould S.A., Prater C.B. // Science, Vol. 243, Issue 4891. 1989. - P. 641-643.

3. Gunther P. Scanning near-field acoustic microscopy / Fischer U.C., Dransfeld K. // Applied Physics B: Lasers and Optics. Vol. 48, №1. - 1989. - P. 89-92.

4. Yin Q.R. Near-field acoustic microscopy of ferroelectrics and related materials / Zenga H.R., Lia G.R., Xub Z.K. // Materials Science and Engineering B. -Vol. 99, Issues 1-3. 2003 - P. 2-5.

5. Hamers R.J. Atomic-Resolution Surface Spectroscopy with the Scanning Tunneling Microscope // Annual Review of Physical Chemistry. Vol. 40. - 1989. -P. 531-559.

6. Volcker M. Laser-driven scanning tunneling microscope / Krieger W., Walther H. // Phys. Rev. Lett. 66. 1991. - P. 1717-1720.

7. Lai J. Thermal detection of device failure by atomic force microscopy / Chandrachood, M., Majumda, A., Carrejo, J.P. // Electron Device Letters. -Vol. 16 Issue 7.- 1995.-P. 312-315.

8. Majumdar A. Scanning thermal microscopy // Annual Review of Materials Science. Vol. 29. - 1999. - P. 505-585.

9. Zamborini F.P. In-Situ Electrochemical Scanning Tunneling Microscopy / Richard M. Crooks. // American Chemical Society. 1997. - P. 1-10.

10. Moller R. Thermal noise in vacuum scanning tunneling microscopy at zerobias voltage / Esslinger A., Koslowski B. // J. Vac. Sci. Technol. Vol. 8, Issue 1.- 1990.-P. 590-593.

11. Lanyi S. The resolution limit of scanning capacitance microscopes / Hruskovic M. // Journal of Physics. 36. - 2003. - P. 598-602.

12. Kalinin U.A. Scanning Probe Microscopy / Sergei V., Gruverman A. // Springer. Vol. 2. - 2007. - P. 689-703.

13. Dr. Dixon-Warren S.-J. Scanning Spreading Resistance Microscopy of MOCVD Grown InP and GaAs Optoelectronic and Microelectronic Structures // Electron Devices Society (EDS) and Lasers and Electro-Optics Society. -2007.-P. 34-65.

14. Spence J.H. The Scanning Tunneling Atom Probe, and Lensless Point Reflection Microscopy // Journal of Surface. 1997. - Vol.3. - №2. - P. 213-221.

15. Брайант И. Приборы научных исследований, 1987. № 6. - С. 115.

16. Эделъман B.C. Сканирующий туннельный микроскоп // А.С. 1797149 СССР, МПК Н 01 J37/285.

17. Голубок А. О. Исследование методических и инструментальных принципов построения вакуумного туннельного электронного микроскопа. -1988. 150-НИР-И.- №гос. регистрации 01860134855.

18. Голубок А. О. Сканирующий туннельный микроскоп при атмосферном давлении // Сборник Научное приборостроение. Выпуск Электронно-ионная оптика. Ленинград: Наука, 1989. - С. 72-76.

19. Голубок А.О. А.С. 1604136 Н02 N 2/00 Н01 L 41/09 Давыдов Д.Н., Тимофеев В.А. и др. Пьезоманипулятор.

20. Быков В.А. Приборы и методы сканирующей зондовой микроскопии дляисследования и модификации поверхности: Дис. докт. техн. наук. М., 2000. 393 с.

21. Быков А.В. Новые приборы и разработки в сканирующей зондовой микроскопии // Материалы всероссийского совещания "Зондовая микроско-пия-98". Нижний Новгород, 1998. - С. 110-111.

22. Bykov V. Test structure for SPM tip shape deconvolution / Golovanov A., She-vyakov V. // Appl. Phys. A. 1998. - V. 66. - P. 499-502.

23. Быков В.A. Электроника и программное обеспечение универсальных сканирующих зондовых микроскопов НТ-МДТ // Зондовая микроскопия-99. Материалы Всероссийского совещания. Нижний Новгород, 1999. С. 327-333.

24. Володин А.П. Сканирующий туннельный микроскоп с большим полем зрения, совместимый с растровым электронным микроскопом / Степанян Г.А., Хайкин М.С., Эдельман B.C. // ПТЭ. 1989. - №5. - С. 185-187.

25. А.С. 1537088 СССР, МПК H 01 L 41/08 H 02 N 11/00. Устройство для микроперемещений объекта / Волгунов Д.Г., Гудков А.А., Миронов B.JI.

26. TersoffJ. Il Phys. Ref: В. - 1989.- 11990 p.

27. Лемке X. Усовершенствование иглы для растровых туннельных и атом-но-силовых микроскопов // Приборы для научных исследований.- 1990. -№10.-С. 35.

28. Fink H. W. IBM Mathematical Methods // J. Res. Develop. 1986. - V. 30. - P. 190.

29. Kelsey G.S.J. Electrochem. Soc., 1977. 124. - №814.

30. Muller E.W. Field Ion Microscopy, Principles and Applicftion/ Tsong T.T. Il

31. Elsiver, Amsterdam, 1969. P. 1-84.

32. Миллер M. Зондовый анализ в автоионной микроскопии: Пер. с англ. / Под ред. А. Л. Суворова / Смит. Г. // М.: Мир. 1993. - С. 52-75.

33. Фиринг Д. Изготовление игл для РТМ методом травления / Элекис Ф. // Приборы научных исследований, 1990. № 12. - С. 159-161.

34. Thurstang R.E. Field Ion Microscopy and Relates Techniques: A Bibliography / Walls J.M. // Warwick Publishing Company, Birmingham, U. K., 1980. -№4.-P. 1951-1978.

35. Начахара Л. Приборы научных исследований / Тундат Т. Т, Линдзи С. // 60(1989). -№ 10.-С. 3128-3130.

36. Васильев С.И. Зондирующие эмиттеры для сканирующей туннельной микроскопии / Савинов С.В., Яминский И.В. //Электронная промышленность. 1991. - №3. - С.42-45.

37. Davis A. Optimization of Electrochemical Wet Etching of Silver STM Tips // University of California Irvine Department of Physics and Astronomy. 2006. -P. 1-12.

38. Толстая A.M. Теоретические основы процессов электрохимической обработки металлов и сплавов: Учеб. пособие. Часть 2 / Анисимов А.П. // Наука М.: 1976. - 83 с.

39. Tahmasebipour G. Optimization of STM/FIM nanotip aspect ratio based on the Taguchi method / Hojjat Y., Ahmadi V., Abdullah A. // The International Journal of Advanced Manufacturing Technology.- 2009.- Vol. 44.- 80-90.

40. Sutton А.Р. The tight-binding bond model / Finnis M.W., Pettifor D.G., Ohta Y.//J. Phys. C. 1988.-V21.

41. Slater J.C. Simplified LCAO Method for the Periodic Potential Problem / Koster G.F. // Phys. Rev. 94. 1954. - P. 1498-1524.

42. Harrison W.A. Universal linear-combination-of-atomic-orbitals parameters for d-state solids / Froyen S. // Phys. Rev. Vol. 21. 1980. - P. 3214-3221.

43. Krakauer U. Linearized augmented plane-wave method for the electronic band structure of thin films / Posternak O., Freeman A. J. // Phys. Rev. V. 19. 1979.-P. 1706-1719.

44. Bardeen J. Tunnelling from a Many-Particle Point of View //Phys. Rev. Lett.-Vol. 6. Issue 2. - 1961. - P. 57-59.

45. Richard E.P. Tunneling from a Many-Particle Point of View // Phys. Rev. 131.-Phys. Rev. 131, 1083-108. 1963. - P. 1083-1086.

46. Tersoff J. Theory of the Scanning Tunneling Microscope //Phys. Ref. 1989. -V.40.-N.17.-P. 11990-11993.

47. Tersoff J. Tip-dependent corrugation of graphite in scanning tunneling microscopy / Lang N.D. // Phys. Ref. Lett. 1990. - V.65. - N.9. - P. 1132-1135.

48. Tersoff J. Theory of the Scanning Tunneling Microscope / Hamann D.R. //

49. Phys. Ref. Lett. 1985. - V. 31. - №2. - P. 805-813.

50. Tersoff J. Theory and Application for the Scanning Tunneling Microscope / Hamann D.R. // Physical Review Letters. Vol. 50. - Issue 25. - 1983. - P. 1998-2001.

51. Неволим В.К. Туннелирование пространственно локализованных частиц // Зондовая микроскопия-98: Материалы Всероссийского совещания.-Нижний Новгород. 2000. - С. 127-131.

52. Chen C.J. Origin of atomic resolution on metal surfaces in scanning tunneling microscopy // Phys. Rev. Lett. 65. 1990. - P. 448-451.

53. Biro L.P. A Possible Tool For Tip Characterization / Mark G.I., Balazs E. // Nanophase Materials: Synthesis Processes - Applications. - 1993. - P. 23-41.

54. Пронъкин C.H. Сканирующая туннельная микроскопия наноразмерных систем: искажения и коррекция изображений / Васильев С.Ю. // Химия и компьютерное моделирование. Бутлеровские сообщения. 2001. - № 4. -С. 1-4.

55. Bard A. J. Particle Chemistry // Ann. Chim.- 1997. V. 87. - P. 1531.

56. Tersoff J. Theory of the Scanning Tunneling Microscope / Hamann D.R. // Phys. Ref. №4. 1985. - V.38.- N.12. - P. 805-813.

57. Lipanov A.M. Application of ab initio calculations for modeling STM images / Tyurikov A.V., Shelkovnikov E.Yu., Gulyaev P.V. // Scanning Probe Microscopy 2003, International Workshop, Nizhny Novgorod, IPM RAS, P. 243

58. Hadjiiski L.T. Application of neural networks to a scanning probe microscopy system / Linnemann R., Stopka M., Oesterschulze E., Rangelow I., Kassing R. // Institute of Technical Physics, University of Kassel. 2000. - P. 1-12.

59. Munster S. Neural network correction of nonlinearities in scanning probe microscope images / Oesterschulze E., Kassing R. // Journal of Vacuum Science & Technology B: Microelectronics and Nanometer Structures. 1996. - P. 1563-1568.

60. Wang W.L. Application of neural networks to the reconstruction of scanning probe microscope images distorted by finite-size tips / Whitehouse D.J. // Nanotechnology V.6 C.45. 1996. - P. 12-24.

61. Patan K. Stochastic learning methods for dynamic neural networks: simulated and real-data comparisons / Parisini T. // Proceedings of the American Control Conference. 2002. - P. 12-25.

62. Korbicz J. Dynamic neural networks for process modelling in fault detection and isolation systems / Patan K., Obuchowicz A. // International Journal of Applied Mathematics and Computer Science. 1999. - №9(3). - P. 519-546.

63. Pham D.T. Training of Elman networks and dynamic system modelling / Liu X. // International Journal of Systems Science. 1996. - №27. - P. 221-226.

64. Spall J.C. Multivariate stochastic aproximation using a simultaneous perturbation gradient approximation // IEEE Trans. Automatic Control. 1992. - №37. -P. 332-341.

65. Martunez A.M. PCA versus LDA / Avinash C. Kak. // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. - Vol. 23. - №2. - P. 228233.

66. Shlens J. A Tutorial on Principal Component Analysis // Proceeding of Institute for Nonlinear Science Coference. 2005. - P. 13-27.

67. Miranda A.A. New Routes from Minimal Approximation Error to Principal Components / Le Borgne Y.A., Bontempi G. // Neural Processing Letters, Springer. 2008. - Vol. 27. - №3. - P. 123-131.

68. Roweis S. EM Algorithms for PCA and SPCA / Ed. Michael I. Jordan, Michael J. Kearns, Sara A. Solla. // Advances in Neural Information Processing Systems. 1998. - The MIT Press. - P. 1-16.

69. Meyer G.G.L. Geometric Linear Discriminant Analysis For Pattern Recognition // Pattern Recognition. 2004. - Vol. 37. - №3. - P. 421-428.

70. Weiwei Y. Discriminant Locality Preserving Projections: A New Method to Face Representation and Recognition / Xiaolong, Chongqing Liu. // Proceedings of the 14th International Conference on Computer Communications and Networks.- 2005.- P. 201-207.

71. Xiaofei H. Locality Preserving Projections / Partha Niyogi // Computer Science Department Computer Science Department The University of Chicago. -2002.-P. 1-8.

72. Zhang L. Graph-optimized locality preserving projections / Qiao L., Chen S. // Pattern Recognition.- 2010.- P. 34-55.

73. Wang Q. Eye Detection in Facial Images with Unconstrained Background / Jingyu Yang // Journal of Pattern Recognition Research. 2006. - Vol. 1. -№1.

74. Ohba K. Detectability, Uniqueness, and Reliability of Eigen Windows for Stable Verification of Partially Occluded Objects / Ikeuchi K. // IEEE Transactions on Pattern Analysis and Machine Intelligenve. 1997. - Vol. 19. - №9. -P. 1043-1048.

75. Eckhardt M. Towards practical facial feature detection / Ian Fase, Javier Movellan // International Journal of Pattern Recognition and Artificial Intelligence (IJPRAI). 2009. - Vol. 23. - №3. P. 379-400.

76. Gong S. Dynamic Vision: From Images to Face Recognition // Imperial College Press. 2001. - P. 168-173.

77. Kastleman K. Digital Image Processing // Proceeding of Prentice Hall Conference. 2000. - P. 36-41.

78. Qi L. Adaptive appearance based face recognition / Jieping Ye, Min Lim Chandra Kambhamettu // International Journal on Artificial Intelligence Tools (I J AIT). 2008. - Vol. 17. - №1. - P. 175-193.

79. Michael J.J. Robust Real-Time Face Detection / Paul Viola // International Journal of Computer Vision. 2004. - Vol. 57. - P. 137-154.

80. Jain A. Statistical Pattern Recognition: A Review / Duin R., Mao J. // IEEE

81. Transactions on Pattern Analysis and Machine Intelligenve. 2000. - Vol. 22. - №1. - P. 4-37.

82. Freund Y. A Short Introduction to Boosting / Robert E. Schapire. // Journal of Japanese Society for Artificial Intelligence. 1999. - №14(5). - P. 771-780.

83. Rainer L. Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection / Alexander Kuranov // Pattern Recognition. 2003. -P. 297-304.

84. Lienhart R. An extended set of Haar-like features for rapid object detection / Maydt, J. 11ICIP02. 2002. - P. 900-903.

85. Crow F. Summed-area tables for texture mapping // in Proceedings of SIGGRAPH. 1984. Vol. 18(3). - P. 207-212.

86. Messom C.H. Fast and Efficient Rotated Haar-like Features Using Rotated Integral Images / Barczak A.L.C. // Australian Conference on Robotics and Automation (ACRA2006). 2006. - P. 1-6.

87. Papageorgiou F.R. A general framework for object detection / Oren G.R., Poggio D.K. // International Conference on Computer Vision. 1998. - P. 345378.

88. Кудряшов П.П. Быстрый поиск человеческих лиц на изображениях / Фо-менков С.А. // Вестник компьютерных и информационных технологий №7.-2007.-С. 14-17.

89. Turk M. Eigenfaces for Recognition / Pentland A. // Journal of Cognitive Neuroscience. 1991. - Vol. 3. - №1. - P. 71-86.

90. Murase H. Visual Learning and Recognition of 3D Objects from Appearance / Nayar S. // Interantional Journal of Computer Vision. 1995. - Vol. 14. - P. 524.

91. Ricardo B.C.P. Neural Network Hybrid Learning: Genetic Algorithms & Levenberg-Marquardt / Teresa B. Ludermir // Center of Informatics, Federal University ofPernambuco. 2006. - P. 89-101.

92. Omer B. Genetic Algorithms for Neural Network Training on Transputers // Department of Computing Science University of Newcastle upon Tyne. -2006.-P. 14-18.

93. Sukanesh R. A Comparison of Genetic Algorithm & Neural Network (MLP) / Harikumar R. // Engineering Letters. 2007. - P. 1-9.

94. Schmitt F.G. Theory of Genetic Algorithms / Lothar M. // Theoretical Computer Science. 2001. - Vol. 259. - P 1-61.

95. Vose F. The Simple Genetic Algorithm: Foundations and Theory / Michael D. // MIT Press, Cambridge, MA. 1999. - P. 23-43.

96. Eiben I.E. Introduction to Evolutionary Computing / Agoston E., Smith, James E. // Engeneering Letters. 2003. - Vol 31. - P. 45-49.

97. Mallick S.P. Detecting Particles In Cryo-Em Micrographs Using Learned Features / Zhu Y., Kriegman D. // Journal, of Structural Biology. 2004. - Vol. 145.-№1-2.-P. 52-62.

98. Ham F. Principles of Neurocomputing for Science and Engineering / Kostanic I. // Mathematical Foundation for Neurocomputing. 1999. - Vol. 3. - P. 342355.

99. Тюриков A.B. Методика моделирования процесса травления зондирующих игл СТМ / Суворов A.C., Осипов Н.И. // Приборостроение в XXI веке. Интеграция науки, образование и производства. Ижевск. - 2007. - С. 34-42.

100. Дику cap A.M. Термокинетические явления при высокоскоростных электродных процессах / Энгельгардт Г.Р., Молин А.Н. // Кишинев. 1989. -С. 143.

101. Суворов A.JJ. Способ изготовления микроострий из металлической проволоки / Зайцев C.B., Бобков А.Ф. // А.с.№797440 СССР, МПК H 01 J 1/30.

102. Sauteta P. Calculation of the benzene on rhodium STM images / Joachim C. // Chemical Physics Letters. Vol. 185, Issues 1-2, 11. - 1991. - P. 23-30.

103. Jlunanoe A.M. Метод исследования химического травления заготовок измерительных игл туннельного микроскопа / Тюриков A.B., Суворов A.C. // Химическая физика и мезоскопия т. 9-2. Ижевск. - 2007. - С. 172-182.

104. Roger Т. Уравнения Навье-Стокса: теория и числовой анализ // L.: Oxford University Press, 2001. С. 424.

105. Скурин Л.И. Маршевый и параллельный алгоритмы интегрирования уравнений Навье-Стокса для газа и жидкости // СПб.: Издательство СПбГУ. 2004.- С. 168.

106. Андерсон Д. Вычислительная гидродинамика и теплообмен / Таннехилл Д., Плетчер Р. // Т.2. 1990. - С. 392.

107. Патанкар С. Численные методы решения задач теплообмена и динамики жидкости. М.: Энергоиздат, 1984. - С. 151.

108. Попл Д. Квантово-химические модели // УФН. 2002. - Т. 173. - №3. - С. 353.

109. Pople J.A. Quadratic configuration interaction. A general technique for determining electron correlation energies / Head-Gordon M., Raghavachari K.J. // Chem. Phys. 1987. - V. 87. - P. 5968.

110. Быков В.А. Приборы и методы сканирующей зондовой микроскопии для исследования и модификации поверхности // Дис. докт. техн. наук. М., 2000.- С. 393.

111. Tekman Е. Atomic Theory of scanning tunneling microscopy / Ciraci S. // Phys. Rev. B. 1989. - V. 40. - P. 10286-10293.

112. Tekman E. Theory of anomalous of the corrugation Al(l 11) surface obtained from scanning tunneling microscopy / Ciraci S. // Phys. Rev. В.- 1990.- V. 42.- P. 18601863.

113. Sutton A.P. The tight-binding bond model // Journal of Physics C. 1988. - V. 21.-P. 1432.

114. Froyen S. Harrison W.A. // Phys. Rev. В.- 1979.- V. 20.- P. 2420.

115. Hartree D.R. Proc. Camb. Philos. Soc. 1928.- V. 24. - P. 89.

116. Fock V.Z. Naherungsmethode zur Losung des quantenmechanischen Mehrk5rperproblems // J. Phys.- 1930. V. 61. - P. 126.

117. Raghavachari K. A Fifth-order Perturbation Comparison of Electron Correlation Theories / Trucks G. W., Pople J. A., Head-Gordon M. // Chem. Phys. Lett. 1989.-V. 157.-P. 479.

118. Bardeen J. Tunneling from a many particle point of view // Phys. Rev. Lett. -1961.-V. 6.-P. 57.

119. Шелковников Ю.К. Построение изображений поверхности при многокадровом режиме сканирующего туннельного микроскопа / Гафаров М.Р., Гуляев П.В., Тюриков А.В., Кизнерцев С.Р. // Химическая физика и мезоскопия.- 2008. Т. 10. - №4. - С. 514-520.

120. Pareek Т.P. Magnetic scanning tunneling microscopy with a two-terminal nonmagnetic tip: Quantitative results / Bruno P. // Phys. Rev. B. 2001. - V. 63.-P. 165424.

121. Головко В.А. Нейронные сети: обучение, организация и применение // М.: ИПР-ЖР. 2001. - С. 28-57.

122. Novikoff А.В. On convergence proofs on perceptrons // Proceedings of the Symposium on the Mathematical Theory of Automata. Vol. 12. Polytechnic Institute of Brooklyn, 1962. P. 615-622.

123. Stan Z.L. Statistical Learning of Multi-View Face Detection / Long Zhu, ZhenQiu Zhang, Blake A., HongJiang Zhang, Shum H. // In Proceedings of The 7th European Conference on Computer Vision.- 2002.- P. 132-156.

124. Mohan A. Example-based object detection in images by components / Papa-georgiou C., Poggio T. // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, No. 4. 2001. - P. 349 -361.

125. Lienhart R. An Extended Set of Haar-like Features for Rapid Object Detection / Maydt J. // IEEE ICIP. 2002. - Vol. 1. - P. 900-903.

126. Viola P. Rapid Object Detection using a Boosted Cascade of Simple Features / Jones M.J. // IEEE CVPR.- 2001. P. 1-15.

127. Freund Y. Experiments with a new boosting algorithm / Schapire R.E. // In Machine Learning: Proceedings of the Thirteenth International Conference, Morgan Kauman, San Francisco. 1996. - P. 148-156.

128. Balakrishnan K. Honavar V. Properties of genetic representations of neural architectures // Proceedings of the World Congress on Neural Networks. -INNS Press. 1995. - P. 807-813.

129. Rowley H. Neural network-based face detection / Baluja S., Kanade T. // In IEEE Patt. Vol. 20. - 1998. - P. 22-38.

130. Holland J.H. Adaptation in natural and artificial systems // University of Michigan Press. 1975. - P. 34-45.

131. Rummelhart D.E. Learning internal representations by error propagation / Hinton G.E., Williams R.J. // Computational models of cognition and perception. Vol. 1. №8. - Cambridge, MA: MIT Press. - 1986. - P. 319-362.

132. Kimura T. Synapse weight accuracy of analog neuro chip / Shima T. // Proceedings of International Joint Conference on Neural Networks. 1993. -Vol.1.-P. 891-894.

133. Anguita D. Limiting the effects of weight errors in feed forward networks using interval arithmetic / Ridella S., Rovetta S. // Proceedings of International Conference on Neural Networks. 1996. - Vol.1. - P. 414-417.

134. Bishop C.M. Neural Networks for Pattern Recognition // Oxford University Press. 1995.-P. 107-126.

135. Edwards P. Modelling weight- and input-noise in MLP learning / Murray A. // Proceedings Of International Conference on Neural Networks .- 1996.- Vol.l.-P. 78-83.

136. Bartlett P. The sample complexity of pattern classification with neural networks: the size of the weights is more important than the size of the network // IEEE Transactions on Information Theory. -1998. -Vol. 44. no. 2. - P. 525536.

137. Durbin R. Product units: A computationally powerful and biologically plausible extension to backpropagation networks / Rummelhart D.E. // Neural Computation. 1989. - Vol. 1, no. 4. - P. 133-142.

138. Rummelhart D.E. Learning internal representations by error propagation / Hinton G.E., Williams R.J. // Vol. 1 of Computational models of cognition and perception, chap. 8. Cambridge, MA: MIT Press, 1986. - P. 319-362.

139. Колмогоров A.H. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл.АН СССР. 1958.- Т. 114, № 5.- С. 953-956.

140. Robbins P. Use of genetic algorithms for optimal topology determination in back propagation neural networks / Soper A., Rennolls K. // Proceedings of the International Conference on Artificial Neural Nets and Genetic Algorithms. 1993. - P. 726-730.

141. Booker L.T. Improving Search in Genetic Algorithms // Genetic Algorithms and Simulating Annealing. 1987. - P.61-73.

142. Липанов A.M. Применение аппарата прогнозирования в сканирующих устройствах растрового типа / Шелковников Ю.К., Гафаров М.Р. и др. // Приборы и системы: управление контроль диагностика.- №7. 2010. - С. 59-64.1.hc,

143. Belongie S. Color- and texture-based image segmentation using EM and its application to content-based image retrieval / Carson C., Greenspan H., Malik J. // Proc. of Intl. Conf. on Computer Vision. P. 675-82. - 1998.

144. Lewis J.P. Fast Normalized Cross-Correlation // Industrial Light & Magic. -№1.- 1995. -P. 121-126.

145. Seijfert U. Multiple Layer Perceptron Training Using Genetic Algorithms // European Symposium on Artificial Neural Networks, Bruges (Belgium). D-Facto public. - 2001. - P. 159-164.

146. Van Rooij A.J.F. Neural network training using genetic algorithms / Jain L.C., Johnson R.P. // World Scientific. 1996. - P. 104-109.