做 KPFM、PFM 动态表征的研究者大多有同感：想抓瞬态电学演化，扫快了丢失关键细节；扫慢了，过程早就结束。中国科学院上海硅酸盐研究所团队推出 StableAFM 物理引导生成模型，跳出通用 AI「修图美颜」的老路，用实测数据约束重建，在采集速度提升 4 倍的同时支撑定量陷阱分析，为扫描探针动态表征提供一套可信的超分辨方案。
「READING」
01
AFM 动态表征的现实困境：
速度和分辨率，总要取舍
AFM 及其衍生技术，是窥探微观电学行为的核心手段。在电介质、铁电材料、无源元件研发实验室，AFM 及其衍生的 KPFM、PFM 测试应用广泛。而电荷弛豫、极化翻转、介质老化失效，这些现象往往转瞬即逝。
探针逐点扫测的底层机制，天然存在速度与分辨率的矛盾。想要跟上动态变化，只能压缩采样点数、加快扫描，代价是局域微弱信号、精细界面信息直接丢失；想要清晰的空间细节，就要高密度采样，单帧耗时拉长，很难捕捉连续演化过程。
AFM 机时紧张，排队周期和对照实验组都被迫压缩。共享测试平台的感受尤为强烈：长时间扫描让机时一直紧张，同批次能安排的对照实验组也随之减少。不少人寄希望于 AI 超分辨，实际使用后却频频踩坑。
02
通用 AI 超分辨的隐性陷阱：
好看的图，未必是真实的数据
通用超分算法的退化假设，和 AFM 的采样逻辑完全不一样。现在网上开源、第三方插件里的图像超分算法，大多基于连续图像下采样数据集训练，默认图像只是像素模糊。但 AFM 本质是探针在样品表面离散、稀疏打点采样，二者信号退化逻辑完全不同。
直接拿来处理 KPFM、PFM 数据，会生成样品上并不存在的伪影。算法会自主补全细节，生成视觉效果精致、但样品上并不存在的结构。这类工具只适合定性看图，重建结果没有定量可信度，不敢用来提取陷阱能级、极化分布这类关键物性参数。
一张「漂亮但不可信」的图，反而会误导机理判断。对做动态表征的人来说尤其如此。行业急需一套贴合 AFM 采样规律、受实测约束的重建方案。
03
StableAFM：
物理规则打底，生成 AI 为定量表征服务
AI 重建不能脱离探针测量本身。中国科学院上海硅酸盐研究所曾华荣研究员团队开发的 StableAFM，核心思路很清晰：要把 AFM 采样物理嵌入扩散模型。团队先构建匹配真实扫描行为的物理退化模型，抹平训练数据集和实验室实测数据之间的偏差。
整体采用两阶段重建路径。先用 AFM-SwinIR 网络稳住样品基础形貌与电势结构，再用专门适配探针图像的潜空间扩散模型细化界面、局域特征。
核心创新是 LS-DPS 潜空间扩散后验采样策略。扩散模型每一轮去噪生成时，都会对照原始稀疏测点校验偏差并修正。相比去掉该物理约束的模型，测量均方误差降低约 31.3%。简单来说：AI 不是自由发挥画图，所有细节都锚定在真实采集到的测点之上。
04
MLCC 电荷陷阱实测：
提速 4 倍，捕捉到容易被淹没的电学特征
介质层电荷陷阱引发的老化、击穿，一直是 MLCC 可靠性攻关的难点。多层陶瓷电容器（MLCC）是电子产业的基础元件，也非常考验 KPFM 动态表征能力。
稀疏扫描加 AI 重建，数据采集效率直接提升 4 倍。团队采用稀疏扫描模式，以 66 秒 / 帧采集 32×64 像素的 KPFM 电势图像，通过 StableAFM 重建得到 256×256 像素高分辨序列。再结合 ISPD 等温表面电势衰减分析，从连续电势序列里解析陷阱能级与空间分布。
关键特征能稳定复现，才算可信。依托这套工具，研究人员在深能级电子陷阱聚集区域，观测到尺度 0.4–0.5μm 的类环状耗尽特征。通过多组随机种子重复重建，该特征稳定复现；同步采集的形貌图没有对应结构，确认信号来自电学陷阱响应，排除形貌信号串扰，为理解 MLCC 微观失效机制提供了新线索。
验证同时表明，方案具备跨成像模式的通用性。模型不局限于电势成像，形貌、PFM 铁电畴边界、极化区域都可以稳定重建。
05
改变实验室表征节奏：
把有限机时用在更多对照实验上
不需要改动 AFM 硬件。这套方案属于数据后处理算法工具链，现有设备、测试平台都有适配的基础。
最直观的价值，就是盘活 AFM 机时资源。相同时间内，科研人员可以开展更多动态循环测试、增设平行对照组，不用再在「成像速度」和「空间分辨率」之间被迫妥协。
更深一层的变化在于数据链路。AI 不再只是后期美化图片，而是接入从图像采集到物性拟合的完整定量流程，推动 KPFM、PFM 动态表征，从「拍到动态过程」升级为「定量解析微观电学行为」。
StableAFM 依然有边界。重建质量高度依赖原始稀疏测点的可靠性，采样过于稀疏时，重建稳定性会下滑；目前属于科研阶段成果，还没有封装成商用软件模块。
这套技术路线，给扫描探针智能化指明了更稳妥的方向。「物理先验 + 实测约束 + 生成模型」的组合，后续如果完成工程化封装，有望成为国产 AFM 数据分析软件的差异化功能，服务铁电薄膜、储能介质、无源器件等材料的高通量动态表征。
结语
扫描探针的智能化，不该是「越修越好看」，而是「越算越可信」。StableAFM 把 AI 从修图工具拉回测量链路，让每一处重建细节都锚定在真实测点之上——这或许才是动态表征超分辨的正确打开方式。
【END】
扫描二维码 ｜ 关注我们
本文部分素材源自网络，如需转载：须本号授权，请联系主编。
感谢大家一直以来对本公众号的关注。若您对本文有任何疑问或建议，欢迎随时在后台留言，我们将竭诚为您服务。
|
往期回顾 |
电网采集装备样本透视：增收不增利，电力仪器赛道盈利承压信号显现 |
|
高毛利≠高利润，从十家上市仪表企业三季报，看行业由增量新建转向存量替换的周期拐点 |
|
|
高研发占比 67.33%：承压期的研发投入，是蓄力还是负担？ |
|
|
订单向上、毛利承压！英威腾披露三季报，国产传动厂商盈利考验加剧 |
发现“分享”和“赞”了吗，戳我看看吧