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。
被称为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，并牢固地确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中国机械网okmao.com。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驱动系统可以连续数天连续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，如原子级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。研究人员已将整个框架作为开放源在线公开发布，为纳米科学研究领域创造了重要资源。
完全自主的DeepSPM
项目共同负责人Cornelius Krull博士说：“ DeepSPM成功的关键在于使用自学习代理，因为事先不知道正确的控制输入。”
“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。