教育新闻网澳大利亚与德国的合作证明了SPM的完全自主运作，它应用了人工智能和深度学习，从而消除了对人类不断监督的需求。
名为DeepSPM的新系统弥合了纳米科学，自动化和人工智能(AI)之间的鸿沟，并牢固地建立了将机器学习用于实验科学研究的用途。
FLEET首席研究员Agustin Schiffrin博士(莫纳什大学)说：“优化SPM数据采集可能非常繁琐。这种优化过程通常是由人类实验人员执行的，而且鲜有报道。”
“我们新的AI驱动系统可以连续多个天自动运行和获取最佳SPM数据，而无需任何人工监督。”
这一进步使先进的SPM方法论，如原子精确的纳米加工和高通量数据采集，更接近于自动化的交钥匙应用。
新的深度学习方法可以推广到其他SPM技术。研究人员已经将整个框架作为开放源在线公开发布，为纳米科学研究界创造了重要资源。
完全自主的DeepSPM
“ DeepSPM成功的关键是使用自学习代理，因为事先不知道正确的控制输入，”项目共同负责人Cornelius Krull博士说。
“从经验中吸取教训，我们的代理商会适应不断变化的实验条件，并找到一种维持系统稳定的策略，”与莫纳什物理与天文学学院的席夫林博士一起工作的克鲁尔博士说。
AI驱动的系统从对最佳样本区域的算法搜索开始，然后进行自主数据采集。
然后，它使用卷积神经网络来评估数据的质量。如果数据质量不好，DeepSPM将使用深度强化学习代理来改善探针的状况。
DeepSPM可以运行几天，可以连续获取和处理数据，同时可以响应不断变化的实验条件管理SPM参数，而无需任何监督。
该研究首次结合以下方面展示了完全自主的SPM长期运行：
一种用于样本区域选择和SPM数据采集的算法方法;
使用卷积神经网络进行有监督的机器学习，以对SPM数据进行质量评估和分类，以及
深度强化学习，用于动态自动原位探针管理和调节。
