XiaoMi-AI文件搜索系统
World File Search System电子显微镜
扫描电子显微镜（SEM）
光学成像系统（显微镜、望远镜或照相机）的分辨率可能受到镜头缺陷或错位（смещение）等因素的限制。然而，由于衍射的物理特性，任何光学系统的分辨率都有一个主要限制。分辨率性能达到仪器理论极限的光学系统被称为衍射极限。
低温电子显微镜中的人工智能
摘要：低温电子显微镜 (cryo-EM) 已成为确定大分子复合物结构的无与伦比的工具。大分子复合物的生物学功能与这些复合物的灵活性密不可分。单粒子低温电子显微镜可以揭示生化纯样品的构象异质性，从而对这些复合物在生物学中的作用提出有根据的机制假设。然而，使用传统数据处理策略处理越来越大、越来越复杂的数据集在用户时间和计算资源方面都极其昂贵。当前数据处理方面的创新利用人工智能 (AI) 来提高数据分析和验证的效率。在这里，我们回顾了使用人工智能自动执行粒子拾取、3D 地图重建和局部分辨率确定的数据分析步骤的新工具。我们讨论人工智能的应用如何推动该领域的发展，以及还存在哪些障碍。我们还介绍了人工智能未来的潜在应用，即使用低温电子显微镜了解细胞中的蛋白质群落。
gACSON 软件用于在 3D 电子显微镜中对髓鞘轴突进行自动分割和形态分析
三维电镜数据是分析脑超微结构成分的可靠工具 [3–5]。由于典型的 3D-EM 数据规模大、成分数量庞大，因此手动执行这种分割非常繁琐，甚至不可能。例如，手动标记 5 亿个体素中的 215 个神经突需要 1500 小时 [6]，我们估计，手动分割 3 亿个体素（大小为 15 × 15 × 50 nm3）的白质电镜中的轴突需要 2400 小时 [7]。因此，分析脑组织的 3D-EM 数据需要开发先进的软件工具，使神经科学家能够自动可视化、分割和提取脑超微结构的几何和拓扑特征。有几种用于分析 3D-EM 数据的软件工具，包括开源软件包，如显微镜图像浏览器（MIB）[8]、DeepMIB [9]、Knossos [10]、webKnos-sos [11]、AxonSeg [12]、AxonDeepSeg [13]、TrackEM2 [14]、CAT-MAID [15]、VAST [16]、NeuroMorph [17]、SegEM [6]、Ilastik [18]，
通过低压扫描电子显微镜
在低电子能量的扫描电子显微镜（SEM）中，损伤诱导的电压改变（DIVA）对比度机制已作为一种快速且方便的方法，可以直接可视化硝酸盐（GAN）中能量离子辐照引起的电阻率的增加。在覆盖有金属面膜的蓝宝石上外上植物生长的gan层，并在600 keV能量下受到He 2 +辐射的约束。在不同的电子束电流和扫描速度下，在SEM上成像样品横截面处的二维损伤曲线。通过电子束照射沉积的累积电荷的增加观察到了图像对比的逐渐发展，以最终达到与GAN离子辐射部分的局部电阻率相关的对比度的饱和水平。提出的方法允许人们直接可视化离子辐照区域，即使是由于离子损伤导致的最低电阻率变化，即用离子辐照后，甘恩的所有级别的绝缘层堆积。考虑到不可能将湿化学的蚀刻技术应用于GAN，它使提出的技术成为基于GAN-基于GAN-基于电子设备的高度抗性和绝缘区域的可视化方法。提出的作品的主要目的是更深入地了解GAN中的Diva对比，特别强调讨论栅格速度和电子束电流的作用，即电荷堆积的细节样品表面。
扫描超快电子显微镜显示
2 桑迪亚国家实验室，美国新墨西哥州阿尔伯克基 87185 3 加利福尼亚大学机械工程系，加利福尼亚州圣巴巴拉 93106，美国 a) 通讯作者：aatalin@sandia.gov 了解和控制电荷载流子与埋藏绝缘体/半导体界面缺陷的相互作用对于实现现代电子产品的最佳性能至关重要。在这里，我们报告了使用扫描超快电子显微镜 (SUEM) 远程探测埋藏在厚热氧化物之下的 Si 表面的激发载流子的动力学。我们的测量结果展示了一种新颖的 SUEM 对比机制，即半导体中空间电荷场的光学调制会调制厚氧化物中的电场，从而影响其二次电子产量。通过分析 SUEM 对比与时间和激光能量密度的关系，我们证明了界面陷阱通过扩散介导捕获激发载流子。
智能分辨率：将低温电子显微镜与人工智能驱动的多分辨率模拟相结合，以观察 SARS-CoV-2 复制-转录机制的运作
严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 复制转录复合物 (RTC) 是一种多结构域蛋白，负责在人体细胞内复制和转录病毒 mRNA。用药物化合物攻击 RTC 功能是治疗 COVID-19 的途径。传统工具，例如低温电子显微镜和全原子分子动力学 (AAMD)，无法提供足够高的分辨率或时间尺度来捕捉这种分子机器的重要动态。因此，我们开发了一种创新的工作流程来弥合这些分辨率之间的差距，使用中尺度波动有限元分析 (FFEA) 连续模拟和 AI 方法层次结构，不断学习和推断特征以保持 AAMD 和 FFEA 模拟之间的一致性。我们利用多站点分布式工作流管理器来协调 AI、FFEA 和 AAMD 作业，从而实现 HPC 中心间资源的最佳利用。我们的研究提供了前所未有的途径来研究 SARS-CoV-2 RTC 机制，同时为大规模支持 AI 的多分辨率模拟提供了通用能力。
朝电子显微镜的量子图像处理
数字图像的处理不断获得数量和相关性，对数据存储，传输和处理能力的需求不断增加。传输电子显微镜仪器的最新进展，尤其是在检测器技术中，已经推动了各种方式的数据生产。例如，如今，人们可以通过利用直接电子检测器[1]来想象最多生成200tb/hr，需要智能方法来提取科学有意义的信息。尽管在人工智能（AI）和机器学习（ML）方法的帮助下，显微镜数据解释取得了很多进展[1,2]，但与增长的数据解释数据量相关的挑战仍然丰富。预计这将进一步加剧原位 /操作测量的气象升高以及数据挖掘，分析和其他计算需求的相关挑战。
朝电子显微镜的量子图像处理
数字图像的处理不断获得数量和相关性，对数据存储，传输和处理能力的需求不断增加。传输电子显微镜仪器的最新进展，尤其是在检测器技术中，已经推动了各种方式的数据生产。例如，如今，人们可以通过利用直接电子检测器[1]来想象最多生成200tb/hr，需要智能方法来提取科学有意义的信息。尽管在人工智能（AI）和机器学习（ML）方法的帮助下，显微镜数据解释取得了很多进展[1,2]，但与增长的数据解释数据量相关的挑战仍然丰富。预计这将进一步加剧原位 /操作测量的气象升高以及数据挖掘，分析和其他计算需求的相关挑战。
使用超低能扫描电子显微镜对半导体结构进行电阻率对比成像
在广泛的一次电子束能量范围内研究了扫描电子显微镜 (SEM) 中的损伤诱导电压变化 (DIVA) 对比度机理，特别强调了超低能量范围。在 10 keV 至 10 eV 的一次电子能量范围内，对用 600 keV He 2 + 离子辐照的 In (0.55) Al (0.45 )P 中的电阻率变化相关的 SEM 成像对比度进行了分析。首次解决了超低能量范围内的样品充电问题及其对 SEM 图像对比度的影响。与基于经典总发射率方法的预期相反，在辐照区域高电阻部分形成的电位导致低于 E 1 能量的一次电子记录信号强度急剧增加，这可以解释为由于样品表面电位充当了一次电子的排斥器而导致的信号饱和。尽管如此，展示电子束能量对电子辐照下绝缘材料表面电位形成影响的实验数据还是首次在超低能范围内给出。
CEM500K，一种大规模的异质无标记的蜂窝电子显微镜图像数据集，用于深度学习
细胞电子显微镜（EM）数据集的抽象自动分割仍然是一个挑战。依靠利益区域（ROI）注释的监督深度学习（DL）方法产生了无法推广到无关数据集的模型。较新的无监督的DL算法需要相关的预训练图像，但是，当前可用的EM数据集的预培训在计算上是昂贵的，对于看不见的生物学环境的价值很小，因为这些数据集很大且同质。为了解决此问题，我们提出了CEM500K，这是一个敏捷的25 GB数据集，为0.5 10 6独特的2D蜂窝EM图像，该图像从近600个三维（3D）和10,000个二维（2D）图像中策划了> 100个无关的成像项目。我们表明，在CEM500K上预先训练的模型学习在生物学上相关且具有有意义图像增强的功能。至关重要的是，我们对这些预训练的模型进行了转移学习，并在六个公开可用和一项新得出的基准细分任务上评估了转移学习，并报告了每个模型的最新结果。我们发布了CEM500K数据集，预先培训的模型和策划管道，用于建立模型和EM社区的进一步扩展。数据和代码可在https://www.ebi.ac.uk/pdbe/emdb/empiar/entry/10592/和https://git.io/jlltz上获得。