本發(fā)明涉及檢測設備技術領域，特別是涉及一種掃描探針標定方法。

背景技術：

在納米科學技術的進步和不斷發(fā)展過程中，兩類科學儀器起到了重要的推動作用。一類科學儀器是以電子束作為探針的電子顯微鏡，如透射電子顯微鏡和掃描電子顯微鏡。另一類科學儀器是以固體針尖作為探針的掃描探針顯微鏡，如掃描隧道顯微鏡和原子力顯微鏡。

掃描隧道顯微鏡是利用量子力學的隧穿效應來探測待測樣品的。具體地，在真空中相距很近的掃描探針與待測樣品上加電壓，它們之間會通過和距離呈指數(shù)關系、和掃描探針的針尖及待測樣品的電子態(tài)密度成正比的隧穿電流。當掃描探針針尖的性質(zhì)已知時，該隧穿電流信息可以非常靈敏地反映樣品表面的形貌、電子態(tài)等信息。掃描隧道顯微鏡主要依賴于掃描探針針尖在樣品表面進行高精度的掃描，所以對掃描探針針尖性能進行標定和處理對獲得精確的實驗結(jié)果有著至關重要的意義。

目前，對于掃描隧道顯微鏡掃描探針針尖的標定及檢測大多利用人工操作完成。人工標定需要處理的數(shù)據(jù)量大，常常需要實驗人員值守很長的時間。另外，每次實驗前都需要進行此類標定工作，會對實驗人員造成巨大的負擔和時間、精力的浪費。

技術實現(xiàn)要素：

基于此，有必要針對傳統(tǒng)的方案對于掃描探針針尖標定時需要處理大量數(shù)據(jù)、耗費大量人力，物力的問題，提供一種高效率的掃描探針標定方法。

一種掃描探針標定方法，用于對掃描隧道顯微鏡的掃描探針進行標定，包括以下步驟：

通過所述掃描探針獲取標定樣品的形貌圖；

通過數(shù)據(jù)分類模塊對所述形貌圖進行標準化判斷；

若所述數(shù)據(jù)分類模塊判斷所述形貌圖合格，則通過所述掃描探針獲取所述標定樣品的能譜圖；

通過所述數(shù)據(jù)分類模塊對所述能譜圖進行標準化判斷；以及

若所述數(shù)據(jù)分類模塊判斷所述能譜圖合格，則所述掃描探針標定合格。

在其中一個實施例中，所述掃描探針標定方法還包括：

若所述數(shù)據(jù)分類模塊判斷所述形貌圖不合格或者所述數(shù)據(jù)分類模塊判斷所述能譜圖不合格，則對所述掃描探針進行修正；以及

對所述掃描探針進行修正后，進一步返回所述通過所述掃描探針獲取標定樣品的形貌圖的步驟。

在其中一個實施例中，所述數(shù)據(jù)分類模塊通過支持向量機的機器學習方法或神經(jīng)網(wǎng)絡的機器學習方法獲得。

在其中一個實施例中，通過神經(jīng)網(wǎng)絡的機器學習方法獲得所述數(shù)據(jù)分類模塊的方法，具體包括：

選擇多組待學習的圖像信息；

將所述圖像信息進行分類存儲之后，針對所述圖像信息的特征信息建立多層網(wǎng)絡結(jié)構(gòu)；

對所述多層網(wǎng)絡結(jié)構(gòu)設置函數(shù)對應關系，在每一層所述網(wǎng)絡結(jié)構(gòu)中的所述函數(shù)對應關系中設置參數(shù)；

不斷調(diào)整每一層所述網(wǎng)絡結(jié)構(gòu)中的參數(shù)以形成所述數(shù)據(jù)分類模塊。

在其中一個實施例中，所述通過支持向量機的機器學習方法獲得所述數(shù)據(jù)分類模塊的方法，具體包括：

選擇多組待學習的圖像信息；

從所述圖像信息中提取特征信息，針對不同的特征信息建立不同的分類規(guī)則，所述分類規(guī)則的建立過程為對所述圖像信息進行坐標變換；

通過在所述不同的分類規(guī)則之間設置不同的權(quán)重比，以形成所述數(shù)據(jù)分類模塊。

在其中一個實施例中，所述通過所述掃描探針獲取標定樣品的形貌圖的步驟具體包括：

通過所述掃描隧道顯微鏡控制所述掃描探針以固定的步長進行水平移動；

所述掃描探針在移動過程中，獲取所述標定樣品每一點位置上的電子態(tài)密度值，以構(gòu)成所述形貌圖。

在其中一個實施例中，所述掃描探針標定方法還包括：對所述形貌圖進行歸一化處理；

所述對所述形貌圖進行歸一化處理為對所述形貌圖進行去背景處理、濾除所述形貌圖的噪聲、對所述形貌圖的特征信息進行強化處理。

在其中一個實施例中，在所述通過所述掃描探針獲取標定樣品的形貌圖之后，所述掃描探針標定方法還包括：

對所述形貌圖進行二值化處理，尋找所述形貌圖中的雜質(zhì)點邊緣；

判斷所述雜質(zhì)點邊緣的長軸與短軸的比值；

如果所述比值不等于1，則對所述掃描探針進行修正。

在其中一個實施例中，所述對所述掃描探針進行修正的步驟具體包括：

通過掃描電子顯微鏡自帶的控制系統(tǒng)對所述掃描探針加電壓，使得所述掃描探針的針尖削掉一個或多個原子或者吸入一個或多個原子；

或?qū)⑺鰭呙杼结樝虼郎y所述標定樣品內(nèi)插入，使得所述掃描探針的針尖削掉一個或多個原子或者吸入一個或多個原子。

在其中一個實施例中，若所述數(shù)據(jù)分類模塊判斷所述能譜圖合格，所述掃描探針標定方法還包括：

通過所述數(shù)據(jù)分類模塊判斷所述掃描探針是否穩(wěn)定；

若所述掃描探針不穩(wěn)定，則對所述掃描探針進行修正。

本發(fā)明提供的掃描探針標定方法，通過掃描探針獲取標定樣品的形貌圖和能譜圖，通過數(shù)據(jù)分類模塊綜合所述判斷形貌圖和所述能譜圖是否合格，能夠快速、高精度的檢測所述掃描探針是否合格，實現(xiàn)所述掃描探針的標定。所述掃描探針標定方法，采用所述數(shù)據(jù)分類模塊分析判斷所述掃描探針是否合格，減少了所述掃描探針標定過程的耗費時間長、標定難度大的問題。

附圖說明

圖1為本發(fā)明一個實施例提供的掃描探針標定方法的流程圖；

圖2為本發(fā)明另一個實施例提供的掃描探針標定方法的流程圖；

圖3為本發(fā)明一個實施例提供的掃描探針測試到的金(111)表面合格的形貌圖；

圖4為本發(fā)明一個實施例提供的掃描探針測試到的金(111)表面不合格的形貌圖；

圖5a為本發(fā)明一個實施例提供的掃描探針標定方法中的測試得到的所述形貌圖；

圖5b為本發(fā)明一個實施例提供的掃描探針標定方法的測試得到的能譜圖；

圖5c為本發(fā)明一個實施例提供的掃描探針標定方法中的測試綜合分析圖；

圖6為本發(fā)明一個實施例提供的經(jīng)合格的掃描探針掃描合格的圖片；

圖7為本發(fā)明一個實施例提供的經(jīng)不合格的掃描探針掃描不合格的圖片；

圖8為本發(fā)明再一個實施例提供的掃描探針標定方法的流程圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例對本發(fā)明的掃描探針標定方法進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

請參與圖1，提供一種掃描探針標定方法，用于對掃描隧道顯微鏡的掃描探針進行標定，包括以下步驟：

s100，通過所述掃描探針獲取標定樣品的形貌圖。

步驟s100中通過掃描探針獲取標定樣品的形貌圖，即獲取的形貌圖。所述掃描探針可以是掃描隧道顯微鏡測試樣品時用到的探針。所述標定樣品可以是已知性質(zhì)的待掃描的薄膜、塊材或其他。所述形貌圖可以是通過掃描隧道顯微鏡控制掃描探針從一片區(qū)域的一個角上開始。每次當所述掃描探針實施掃描時，控制所述掃描探針的針尖運動固定的距離，每隔固定距離掃描出一張圖。所述形貌圖可以是所述掃描探針掃描過的每一個像素點的電流信息。

s200，通過數(shù)據(jù)分類模塊對所述形貌圖進行標準化判斷。

步驟s200中，所述數(shù)據(jù)分類模塊可以是通過各種機器學習的方法建立的分類器。所述數(shù)據(jù)分類模塊或所述分類器可以根據(jù)具體的所述形貌圖訓練和學習某一特定的判斷標準。具體的，將步驟s100中獲取的所述形貌圖輸入到所述數(shù)據(jù)分類模塊或所述分類器。所述數(shù)據(jù)分類模塊或所述分類器根據(jù)之前學習到的某一特定的判斷標準對所述標定樣品的所述形貌圖進行標準化判斷。可以理解，經(jīng)過標準化判斷后可以得出所述形貌圖是否合格。經(jīng)標準化判斷后得出的所述形貌圖是否合格的結(jié)果可能是一個概率值，而針對所述形貌圖的所述的某一特定的判斷標準可以是機器學習的方法獲得的。

s300，若所述數(shù)據(jù)分類模塊判斷所述形貌圖合格，則通過所述掃描探針獲取所述標定樣品的能譜圖。

在所述數(shù)據(jù)分類模塊判斷所述形貌圖合格后，則可以通過所述掃描隧道顯微鏡進一步控制所述掃描探針獲取所述標定樣品的能譜圖。所述標定樣品的所述能譜圖的獲取需要在所述標定樣品的所述形貌圖被判定合格后進行。在獲取所述標定樣品的所述能譜圖時，需要先在所述標定樣品的所述形貌圖中選點，然后再進行測試。

能譜是指脈沖幅度經(jīng)能量刻度后就可得到計數(shù)率隨粒子能量的分布曲線。不同能量下的電子態(tài)密度信息，稱為一種固體的能譜。根據(jù)量子力學，隧穿時隧穿電流同電子態(tài)密度呈正比。而通過在不同電壓下測量隧穿電流，利用電導g＝i/v，可以得到電壓為橫軸，電導為縱軸的曲線。對該曲線取微分，得到的就是微分電導曲線。在固體中，電子的能量主要集中于一些特定的范圍內(nèi)，電子的能量集中的一些特定范圍稱為能帶結(jié)構(gòu)。在能帶結(jié)構(gòu)內(nèi)，單位能量間隔內(nèi)的電子態(tài)數(shù)目，稱為電子態(tài)密度。電子態(tài)密度代表了該能量下容納電子的數(shù)目。這樣微分電導曲線就同電子態(tài)密度成正比，通過測量微分電導曲線就可以測量到固體的能譜。比如，測試過程中采用金(111)作為所述標定樣品。所述標定樣品金(111)的能譜是已知的，可以用已知的金(111)的能譜來標定所述掃描探針的針尖是否合格。

s400，通過所述數(shù)據(jù)分類模塊對所述能譜圖進行標準化判斷。

步驟s400中，所述數(shù)據(jù)分類模塊同樣可以是通過各種機器學習的方法建立的分類器。所述數(shù)據(jù)分類模塊或所述分類器可以根據(jù)具體的所述能譜圖訓練和學習某一特定的判斷標準。具體的，將步驟s300中獲取的所述能譜圖輸入到所述數(shù)據(jù)分類模塊或所述分類器。所述數(shù)據(jù)分類模塊或所述分類器根據(jù)之前學習到的判斷標準對所述標定樣品的所述能譜圖進行標準化判斷?？梢岳斫猓颂幍乃鰯?shù)據(jù)分類模塊或所述分類器對所述形貌圖和所述能譜圖的分析判斷可以采用不同的判斷標準。所述數(shù)據(jù)分類模塊或所述分類器可以針對所述形貌圖和所述能譜圖學習到不同的判斷標準。也就是說，所述數(shù)據(jù)分類模塊或所述分類器能夠訓練識別出所述形貌圖和所述能譜圖是否合格，從而進一步判定所述掃描探針是否合格。經(jīng)標準化判斷后得出的所述形貌圖和所述能譜圖是否合格的結(jié)果可能是一個概率值。

s500，若所述數(shù)據(jù)分類模塊判斷所述能譜圖合格，則所述掃描探針標定合格。

所述步驟s500中，若所述數(shù)據(jù)分類模塊判斷所述能譜圖合格，也就表明所述掃描探針測試到的所述形貌圖和所述能譜圖均合格，此時即可判定所述掃描探針標定合格。后續(xù)實驗中，可以通過所述掃描探針對新的測試樣品進行測試實驗。

掃描隧道顯微鏡需要在超高真空中進行工作和測量，避免空氣中分子密度漲落、熱漲落帶來的隧穿信號漲落。同時所述掃描探針的針尖很容易被空氣中的氧氣所氧化，氧化層會極大地增大隧穿電阻，嚴重影響實驗性能。因此所述掃描探針在測量樣品時不能離開超高真空。也就是說，“原位測量”需要在超高真空中進行，否則空氣中的漲落會直接干擾測量數(shù)據(jù)。本實施例中所述掃描探針標定方法是在超高真空中進行的?？梢岳斫?，所述掃描探針可以是鎢或其他材料。所述掃描探針的針尖通過特殊處理手段處理得非常尖銳，頂端往往只有一個原子。另外，在整個所述掃描探針標定過程中，所述掃描探針與所述標定樣品中始終具有一定的微小距離。所述掃描探針測量的是透過真空的隧穿電流。由于所述掃描探針的針尖非常微小，為了實現(xiàn)原子級別地分辨率，所述掃描探針的針尖上可能只有一個原子。所述掃描探針的針尖尺度可能為0.1納米。現(xiàn)有方案中無法直接評定掃描探針的針尖質(zhì)量。而本實施例中提供的所述掃描探針標定方法能夠高精度的綜合標定需要采集和分析大量數(shù)據(jù)，這些重復性勞動由所述數(shù)據(jù)分類模塊進行分析和得出相應的結(jié)論。因此，本發(fā)明提供的所述掃描探針標定方法，能夠快速、高精度的檢測掃描探針是否合格，實現(xiàn)探針標定。所述掃描探針標定方法，減少了掃描探針標定過程的耗費時間長、標定難度大的問題。

請參閱圖2，在一個實施例中，所述掃描探針標定方法還包括：

s600，若所述數(shù)據(jù)分類模塊判斷所述形貌圖不合格或者所述數(shù)據(jù)分類模塊判斷所述能譜圖不合格，則對所述掃描探針進行修正；以及

s700，對所述掃描探針進行修正后，進一步返回所述通過所述掃描探針獲取標定樣品的所述形貌圖的步驟。

對所述掃描探針的修正可以包括對所述掃描探針進行粗處理和對所述掃描探針進行細處理。如果所述掃描探針沒有通過了所述形貌圖的測試，則對掃描探針進行粗處理。由于所述掃描探針的修正方式是控制所述掃描探針向所述標定樣品前進很短的距離，再退回原位。所述掃描探針正常工作距離向前移動零點幾個納米會及其靠近所述標定樣品表面，所述標定樣品原子和所述掃描探針原子之間的范德瓦爾斯力會迅速增強，從而拉扯所述掃描探針調(diào)整所述掃描探針的針尖形貌，盡力使所述掃描探針的針尖保持針尖僅有一個原子的狀態(tài)。例如，使所述掃描探針的針尖前進0.4nm再退回，保持-4v的偏壓，前進和后退都持續(xù)1s。

如果所述掃描探針只通過了所述形貌圖的測試，沒有通過了所述能譜圖的測試，則對所述掃描探針進行細處理。對所述掃描探針進行細處理相對于對所述掃描探針進行粗處理，只是所述掃描探針的針尖前進量和偏壓大小不同。具體的，所述掃描探針的針尖前進量和偏壓大小的設定值因所述標定樣品而異。例如，對所述掃描探針進行粗處理可以采用0.6nm，-6v，而細處理采用0.4nm，-4v。對于所述掃描探針的針尖前進量可以為所述掃描探針每次移動的步長值。前述的偏壓為所述掃描探針的針尖相對于所述標定樣品的電壓?？梢栽O置所述掃描探針的針尖和所述標定樣品分別由同一個可控電壓源的兩極相連，這樣可以方便的改變偏壓的大小。

如果所述掃描探針既通過了所述形貌圖的測試，又通過了所述能譜圖的測試，則所述掃描探針標定工作完成，可以用所述掃描探針對新的測試樣品進行掃描測試。在所述數(shù)據(jù)分類模塊中還可以設置相應的程序通知實驗人員可以開始對新的測試樣品進行掃描實驗。

在未完成所述掃描探針標定時，即所述掃描探針未通過標定，可以設定系統(tǒng)性的所述掃描探針的針尖質(zhì)量標準。例如：如果10張連續(xù)測量圖(包括所述形貌圖或所述能譜圖)中沒有一張合格，則利用粗調(diào)壓電陶瓷行進200nm再進行測量。如果連續(xù)移動兩次都沒能得到合格的測量圖，則認為所述掃描探針的針尖質(zhì)量有問題，需要對所述掃描針尖進行粗處理。如果未通過所述形貌圖的測試，則終止當前的標定，在當前區(qū)域處理掃描探針的針尖，然后將掃描探針的針尖移開該區(qū)域(該區(qū)域可能已經(jīng)被破壞)。對掃描探針進行修正后重新回到起始點，掃描探針下針重新開始標定。如果未通過所述能譜圖的測試，則在完成對所述掃描探針的修正后跳回所述通過數(shù)據(jù)分類模塊對所述形貌圖進行標準化判斷的步驟，判斷所述形貌圖是否合格。

本實施例中，增加了對所述掃描探針進行修正的步驟，使得所述掃描探針能夠在原位測試過程中不離開原有設備、不改變測試環(huán)境的情況下，完成對所述掃描探針的修正。本步驟還使得所述掃描探針標定方法更加快速和智能。

在一個實施例中，在所述掃描探針標定過程中，采用的所述標定樣品質(zhì)量很高，所述標定樣品的性質(zhì)也被了解的很清楚，因此掃描隧道顯微鏡采集到數(shù)據(jù)的質(zhì)量近似可以直接反映所述掃描探針的針尖質(zhì)量。在所述標定樣品不動的情況下，利用粗調(diào)壓電陶瓷可以使所述掃描探針的針尖在300nm×300nm的范圍內(nèi)運動。而每次進行所述形貌圖采集時，需要使用細調(diào)壓電陶瓷，因此一組所述二維形貌數(shù)據(jù)的尺寸為40nm×40nm。用控制粗調(diào)壓電陶瓷從一片300nm×300nm區(qū)域的一個角上開始，每次控制所述掃描探針的針尖運動40nm，每隔40nm掃描出一張圖。例如可以以“之”字形掃描的方式在整片區(qū)域行進，每次先沿著x方向運動，到邊界了沿y方向走一步，再向x反方向運動。

在一個實施例中，在對所述標定樣品進行能譜圖測試前需要在所述形貌圖上選擇測量點。在測量點，固定測量位置，改變所述掃描探針的針尖偏壓，測量所述標定樣品的微分電導曲線。所述標定樣品的微分電導曲線可以由鎖相放大器直接測量出的，反映所述標定樣品的能譜信息。需要在兩個區(qū)域的微分電導曲線之差里，尋找-460mv偏壓附近的峰值。當所述掃描探針掃描出對應于兩個區(qū)域的微分電導曲線之后，將利用計算機程序擬合對兩個尖峰進行分析，從而判斷所述掃描探針的針尖對于能譜測量的能力。

如果所述掃描探針的針尖通過了以上所述形貌圖的測試和所述能譜圖的測試，則表明所述掃描探針的針尖性能良好。所述掃描探針可以正式開始實驗，可以通過程序設定通知實驗人員開始實驗。

在一個實施例中，所述s100，通過所述掃描探針獲取標定樣品的形貌圖的步驟具體包括：

通過所述掃描隧道顯微鏡控制所述掃描探針以固定的步長進行水平移動；

所述掃描探針在移動過程中，獲取所述標定樣品每一點位置上的電子態(tài)密度值，以構(gòu)成所述形貌圖。

所述掃描探針標定方法的具體流程為：控制掃描隧道顯微鏡掃描探針的針尖，逐漸靠近所述標定樣品。所述掃描探針的針尖到達距離所述標定樣品數(shù)埃的位置，可以實現(xiàn)靈敏的隧穿。當所述掃描探針的針尖到達可以進行測試的位置后，通過控制x/y方向兩塊壓電陶瓷上的電壓，控制壓電陶瓷伸縮從而使所述掃描探針的針尖以固定的步長進行水平移動。移動過程中，固定所述掃描探針的針尖的偏壓，在每一點測量隧穿電流的大小，該電流值可以反映此偏壓下該點的電子態(tài)密度值，從而對應得到樣品上該點到掃描探針的針尖的距離和該點空間電荷密度等信息。所述掃描探針在掃描過程中，對于每一個像素，即一個(x，y)點，測量一個電流值。根據(jù)這些電流值構(gòu)成一張所述形貌圖，從這些數(shù)據(jù)中可以分析出樣品的表面形貌和性質(zhì)、電子態(tài)密度等信息。

在一個實施例中，所述掃描探針標定方法還包括對所述形貌圖進行歸一化處理。所述歸一化處理的具體方式為對所述形貌圖進行去背景處理、濾除所述形貌圖的噪聲、對所述形貌圖的特征信息進行強化處理。去背景處理可以理解為濾除由于所述標定樣品在測試過程中擺放不平整或其他原因而導致的所述形貌圖有不平整、不規(guī)則的情況。通過去背景處理濾除由于測試過程帶來的對所述標定樣品的測試誤差。濾除噪聲處理可以理解為對所述形貌圖的不確定的、可忽略的一些噪聲特征進行濾除，以增加對所述形貌圖判定結(jié)果的準確性。特征信息強化處理可以理解為對所述形貌圖的特征信息做加強或突出處理以方便對所述形貌圖的分類整合。對所述形貌圖進行去背景處理、濾除噪聲處理和特征信息的強化處理可以并列進行，也可以只進行一項處理。具體的，對所述形貌圖的歸一化處理可以根據(jù)所述形貌圖的具體測試情況而定。經(jīng)過歸一化處理后的所述形貌圖的特征信息更加具體、更加明顯，更方便所述數(shù)據(jù)分類模塊進行分類辨別。

在所述掃描探針標定方法中，可以采用金(111)表面作為所述標定樣品。金以晶胞一個頂點為原點作空間直角坐標系，使x，y，z軸正方向與晶胞三條邊重疊，并設晶胞邊長為1，金(111)面即x＝1，y＝1，z＝1三點確定的平面。金(111)的性質(zhì)已經(jīng)為人們熟知。金作為非常好的金屬，電荷非常自由，其隧穿性質(zhì)便于測量。金(111)表面具有鮮明的電子結(jié)構(gòu)特征，便于應用掃描隧道顯微鏡進行測量。例如在所述標定樣品表面金原子為了達到能量最低的狀態(tài)，會形成兩種排布方式(稱為hcp和fcc)交錯的結(jié)構(gòu)。兩種排布方式hcp和fcc像魚骨頭一樣交替地排列。在兩種區(qū)域之間的邊界區(qū)電子態(tài)密度較高，在掃描出的圖像中較亮。hcp和fcc兩個區(qū)域被這些亮邊界分開。hcp和fcc兩個區(qū)域都較暗。hcp區(qū)域較寬，fcc區(qū)域較窄。在利用掃描隧道顯微鏡固定偏壓掃描時，hcp和fcc兩個區(qū)域隧穿電流不一樣，在掃描出的所述形貌圖上會呈現(xiàn)出明暗交錯的魚骨頭一樣的條紋。所述形貌圖中，所述掃描探針掃描出的條紋的質(zhì)量作為衡量所述掃描探針的針尖是否合格的一個標準。請參閱圖3和圖4，圖3為金(111)表面合格的形貌圖，寬的黑色為hcp，窄的黑色為fcc，這里也可以看到拐彎現(xiàn)象。圖3中還示出了在測試線圖3的尺寸是40nm×40nm。而如圖4所示為不合格的金(111)表面數(shù)據(jù)。圖4中并不能顯示出hcp和fcc兩個區(qū)域。

通過所述掃描探針獲取樣品的所述能譜圖的步驟具體為：在已判斷為合格的所述形貌圖中任意劃線。選取具有不同寬度條紋的劃線作為測試線(如圖3所示的測試線，可以理解所述測試線可以任意選取，能找到hcp和fcc兩個區(qū)域即可)。在該測試線上能夠區(qū)分并測量hcp和fcc兩個區(qū)域的寬度。在該測試線上能夠得到多組寬度不同的相鄰的hcp和fcc區(qū)域。測量每一組不同寬度的相鄰的hcp和fcc區(qū)域的中心點的間距。在hcp區(qū)域的中心點和fcc區(qū)域的中心點作為測試點，在以上兩個測試點分別下方所述掃描探針去探測。通過改變所述掃描探針在上述測試點所加的偏壓，可以測量微分電導曲線，即所述能譜圖。將在兩個區(qū)域測到的曲線相減，會在-460mv偏壓附近測量到一個尖峰特征。具體的，在hcp區(qū)域的中心點處測量第一組v-i值，在窄fcc區(qū)域的中心點處測量第二組v-i值。將所述第一組v-i值和所述第二組v-i值進行組合處理得到第三組v-i值。如果所述第三組v-i值能得到尖峰，則所述掃描探針的針尖標定合格。如果所述第三組v-i值得不到尖峰，則對所述掃描探針的針尖進行修正。

請參閱圖5a、圖5b、圖5c，圖5a中示出在一個實施例中測得的所述形貌圖。圖5a中還示出了hcp區(qū)域的測試點和fcc區(qū)域的測試點。圖5b示出了在hcp區(qū)域的測試點(圖5b中深黑色的能譜)和fcc區(qū)域的測試點(圖5b中淺黑色的能譜)處分別采集的兩條能譜。圖5c是圖5b中兩條能譜的差值，可以明顯看到-480mv附近有一個峰值。綜合分析圖5b和圖5c可以得出此次所述掃描探針標定合格。在所述形貌圖的掃描過程中一般會出現(xiàn)重構(gòu)(拐彎現(xiàn)象)，這種重構(gòu)一般每280nm會出現(xiàn)拐彎，在拐彎處很容易吸附一些微小的雜質(zhì)顆粒；當掃描探針的針尖狀態(tài)良好的時候，這些顆粒在所述形貌圖中的像為較小的圓形亮點。如果這些雜質(zhì)顆粒偏離圓形、或形成重影等都表明所述掃描探針的針尖質(zhì)量不好。

在一個實施例中，通過掃描探針獲取樣品的形貌圖之后，所述掃描探針標定方法還包括：

對所述形貌圖進行二值化處理，尋找所述形貌圖中的雜質(zhì)點邊緣；

判斷所述雜質(zhì)點邊緣的長軸與短軸的比值；

如果所述比值不等于1，則對所述掃描探針進行修正。

可以理解，所述形貌圖是否合格還可以通過所述形貌圖中存在的雜質(zhì)點來判斷。請參閱圖6和圖7，圖6為經(jīng)合格的所述掃描探針掃描合格的圖片，圖6中可以看出雜質(zhì)點是圓形的。圖6中，對所述形貌圖進行二值化處理，尋找所述形貌圖中的雜質(zhì)點邊緣。雜質(zhì)點邊緣的長軸與短軸的比值接近于1或等于1都可以說明所述掃描探針合格。如圖7所示，為經(jīng)不合格的所述掃描探針掃描到的圖片。圖7中雜質(zhì)點偏離圓形，說明所述掃描探針的針尖有偏差，雜質(zhì)點邊緣的長軸與短軸的比值與1相差甚遠。圖7所示的測試圖片不合格。

在一個實施例中，通過支持向量機的機器學習方法或神經(jīng)網(wǎng)絡的機器學習方法獲得所述數(shù)據(jù)分類模塊。

所述掃描探針的針尖的質(zhì)量一般采用和歷史上優(yōu)良數(shù)據(jù)比對進行判斷，本發(fā)明利用機器學習來進行處理。具體的，可以將掃描出的所述形貌圖，傳送給matlab程序進行自動化數(shù)據(jù)分析。該程序利用機器學習技術(卷積人工神經(jīng)網(wǎng)絡，支持向量機等)設計，利用龐大的掃描隧道顯微鏡技術進行訓練，可以以較高的準確度識別歷史上優(yōu)良數(shù)據(jù)的質(zhì)量，從而生成對所述掃描探針的針尖質(zhì)量的評定。

利用機器學習的方法實現(xiàn)了數(shù)據(jù)分析的自動化，并利用labview程序?qū)崿F(xiàn)對實驗流程的自動控制，從而極大提升實驗效率。程序的計算在上面提到的matlab程序里，labview程序?qū)崿F(xiàn)了自動化、無人值守的控制?？梢岳斫?，機器學習的方法有多種，并不僅限于本發(fā)明中提到的支持向量機或神經(jīng)網(wǎng)絡的機器學習方法。同樣可以理解的是，所述掃描探針標定方法中，可以采用labview語言編寫自動控制系統(tǒng)。目前主流的儀器控制平臺和語言是labview，因為它的公司nationalinstruments為各種科學儀器提供了相應的程序接口。理論上獲得授權(quán)、可以用其他語言訪問這些儀器，各種程序語言例如python，c++，c#都可以編寫自動控制系統(tǒng)，其中利用機器學習實現(xiàn)數(shù)據(jù)自動處理，從而實現(xiàn)掃描探針的針尖自動標定。

在一個實施例中，所述數(shù)據(jù)分類模塊可以是一個分類器函數(shù)。利用過去的實驗數(shù)據(jù)、歷史上優(yōu)良數(shù)據(jù)或已知樣品的測試數(shù)據(jù)，比如，金(111)面的測試數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡、支持向量機等算法對歷史數(shù)據(jù)進行機器學習，學習出一個分類器函數(shù)。如果所述掃描探針的針尖通過所述形貌圖的測試，則將控制所述掃描探針的針尖在一片雜質(zhì)較少區(qū)塊的hcp和fcc區(qū)域中心位置進行能譜圖的測量。利用模式識別的機器學習程序可以從所述形貌圖中識別這兩種區(qū)域并給出它們中心位置的坐標。通過在所述形貌圖中劃出測試線，找到測試點，通過所述掃描探針獲取所述能譜圖。所述數(shù)據(jù)分類模塊通過所述能譜圖完成對所述掃描探針的針尖質(zhì)量的評定。即評定所述掃描探針為“合格”或“不合格”。經(jīng)過訓練和學習的所述數(shù)據(jù)分類模塊可以自行判斷今后輸入的所述形貌圖和所述能譜圖是否合格。在所述數(shù)據(jù)分類模塊給出“合格”或“不合格”的判斷結(jié)果后，再根據(jù)判斷結(jié)果采用不同的步驟對所述掃描探針進行相應的操作。

在一個實施例中，通過神經(jīng)網(wǎng)絡的機器學習方法獲得所述數(shù)據(jù)分類模塊，具體包括：

選擇多組待學習的圖像信息；

將所述圖像信息進行分類存儲之后，針對所述圖像信息的特征信息建立多層網(wǎng)絡結(jié)構(gòu)；

對所述多層網(wǎng)絡結(jié)構(gòu)設置函數(shù)對應關系，在每一層所述網(wǎng)絡結(jié)構(gòu)中的所述函數(shù)對應關系中設置參數(shù)；

不斷調(diào)整每一層所述網(wǎng)絡結(jié)構(gòu)中的參數(shù)以形成所述數(shù)據(jù)分類模塊。

選擇多組待學習的圖像信息作為訓練數(shù)據(jù)。將所述訓練數(shù)據(jù)輸入所述數(shù)據(jù)分類模塊進行存儲。所述數(shù)據(jù)分類模塊對輸入的所述訓練數(shù)據(jù)進行歸一化處理。例如，形貌圖輸入一個矩陣，對其亮度進行歸一化。把輸入數(shù)據(jù)看作高維空間的一個點、一個向量(張量)，可以按照其腳標把各個分量分別送到這一層對應的神經(jīng)元，按照權(quán)重矩陣w做權(quán)重乘法，再加上偏移量向量b，即相當于做y＝w^tx+b運算，得到映射值。

在對所述多組待學習的圖像信息進行存儲和歸一化處理以后，針對所述待學習的圖像信息的特征信息建立多層網(wǎng)絡結(jié)構(gòu)。對于得到的多層神經(jīng)網(wǎng)絡，每次將上一個神經(jīng)元層的結(jié)果迭代，例如x2＝y(tǒng)1，直到到達最后一個隱藏神經(jīng)元層。利用判定函數(shù)把參數(shù)映射為0～1之間的一個數(shù)，用來分類，例如1代表合格，0代表不合格，這時映射出來的數(shù)就是合格的概率。

所述訓練數(shù)據(jù)可以是已經(jīng)明確知道的每個數(shù)據(jù)點對應的真實分類，再將真實分類和上面計算出來的分類進行比對，獲得該情形下的正確率p。隨后，整個網(wǎng)絡進行迭代，利用最小二乘、最大似然、梯度下降等方法，不斷更改每一層神經(jīng)元的權(quán)重矩陣，直到令正確率p取得極大值。這便完成了對整個所述數(shù)據(jù)分類模塊的訓練工作。

所述數(shù)據(jù)分類模塊的訓練工作完成后，可以得到一系列的權(quán)重矩陣w1，w2，…wn。權(quán)重矩陣w1，w2，…wn分別對應每一層的神經(jīng)網(wǎng)絡。也就是，所述數(shù)據(jù)分類模塊包括了所述權(quán)重矩陣w1，w2，…wn和與之對應的一系列的神經(jīng)網(wǎng)絡結(jié)構(gòu)。利用所述數(shù)據(jù)分類模塊對訓練數(shù)據(jù)的分類最接近于真實結(jié)果。

在一個實施例中，通過支持向量機的機器學習方法獲得所述數(shù)據(jù)分類模塊，具體包括：

選擇多組待學習的圖像信息；

從所述圖像信息中提取特征信息，針對不同的特征信息建立不同的分類規(guī)則，所述分類規(guī)則的建立過程即對所述圖像信息進行坐標變換；

在所述不同的分類規(guī)則之間設置不同的權(quán)重比，以形成所述數(shù)據(jù)分類模塊。本實施例中，采用支持向量機的機器學習方法建立所述數(shù)據(jù)分類模塊。通過從多組的圖像信息中提取特征信息，然后針對不同的特征信息建立不同的分類規(guī)則。根據(jù)測試需要(此處的測試需要可以是待判斷的圖像信息的質(zhì)量要求不同)，在不同的分類規(guī)則之間設置不同的權(quán)重比，以形成所述數(shù)據(jù)分類模塊?？梢岳斫?，所述數(shù)據(jù)分類模塊可以訓練生成多種分類規(guī)則。例如：通過自學習的方式所述數(shù)據(jù)分類模塊可以針對形貌圖形成一種分類規(guī)則，同樣可以針對能譜圖生成一種分類規(guī)則。甚至，在所述掃描探針穩(wěn)定性判斷時也可以生成相應的分類規(guī)則，對掃描探針的穩(wěn)定性數(shù)據(jù)進行判斷，以得出所述掃描探針的是否穩(wěn)定。

在一個實施例中，所述s600，對所述掃描探針進行修正的步驟具體包括：

通過掃描電子顯微鏡自帶的控制系統(tǒng)對所述掃描探針施加特定的電壓波形，使得所述掃描探針的針尖削掉一個或多個原子或者吸入一個或多個原子；或?qū)⑺鰭呙杼结樝虼郎y樣品內(nèi)插入，使得所述掃描探針的針尖削掉一個或多個原子或者吸入一個或多個原子。可以理解，對所述掃描探針進行修正的步驟可以但并不僅限于以上兩種。如果有能夠原位修正所述掃描探針針尖的方法也可以結(jié)合到本發(fā)明中。

請參閱圖8，在一個實施例中，若所述數(shù)據(jù)分類模塊判斷所述能譜圖合格，所述掃描探針標定方法還包括：

s800，通過所述數(shù)據(jù)分類模塊判斷所述掃描探針的針尖是否穩(wěn)定，若所述掃描探針不穩(wěn)定，則對所述掃描探針進行修正。

圖8中示出了對所述掃描探針的穩(wěn)定性進行評估的流程圖。所述掃描探針的針尖穩(wěn)定性是測量可重復性所要求的。因為掃描隧道顯微鏡測量過程中所述掃描探針的針尖距離所述標定樣品非常近，很容易受到所述標定樣品表面范德瓦爾斯等力的作用發(fā)生形態(tài)的改變。發(fā)生改變的所述掃描探針的針尖對于相同的測量點會給出不同的數(shù)據(jù)，從而導致此前的測量結(jié)果全部失效。因此，需要通過移動所述掃描探針的針尖、靠近所述標定樣品，并判斷這種過程中所述掃描探針的針尖的形貌是否會發(fā)生改變，來判斷所述掃描探針的針尖的穩(wěn)定性。對于不穩(wěn)定的所述掃描探針的針尖要重復進行處理，直到得到性能合格而且穩(wěn)定的所述掃描探針的針尖。

具體的，判斷所述掃描針尖穩(wěn)定性的步驟可以包括：通過掃描隧道顯微鏡對所述掃描探針施加不同電壓；實時獲取所述掃描探針的電流；如果多次測量的電壓-電流關系中沒有毛刺存在，則所述掃描探針穩(wěn)定，否則，對所述掃描探針進行修正。

在判斷所述掃描針尖穩(wěn)定性之后，同樣也要控制所述掃描探針的針尖完成一次前進/后退動作，此時要求掃描到的隧穿電流曲線不發(fā)生改變，即證明所述掃描探針的針尖在靠近所述標定樣品測量的時候不會發(fā)生改變、所述掃描探針的針尖性能穩(wěn)定。如果前進中電流超過量程后退針時也不再改變，始終保持超過量程的狀態(tài)，則表明所述掃描探針的針尖吸附到了所述標定樣品上的某些原子。此時，需要對所述掃描探針進行處理以去除某些原子，再標定所述掃描探針。如果某個瞬間電流突然減小，則表明所述掃描探針的針尖上有一部分原子脫落了。此時，需要對所述掃描探針進行處理以保證所述掃描探針的針尖能夠滿足測試要求，并再次標定所述掃描探針。

如果所述掃描探針的針尖通過了所述形貌圖的標定但未通過所述能譜圖的標定，則表示所述掃描探針的針尖有問題但不嚴重。此時，可以選用較為小的值對所述掃描探針的針尖進行修正。對所述掃描探針的針尖的修正首先發(fā)生在所述掃描探針的針尖未通過測試時。通過全部測試的所述掃描探針的針尖才會進入穩(wěn)定性判定。

以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權(quán)利要求為準。