数显深度表

近日，晶泰创新中心与北京大学国际癌症研究院舒绍坤课题组宣布建立合作，双方将基于舒老师课题组的高通量 CRISPR 技术，整合晶泰科技的细胞高内涵 Cell Painting 成像技术与深度学习方法，通过多模态数据融合，共同开展疾病机理及药物作用机制研究。药物发现是理性设计与实验探索相结合的工作，其成功极大依赖于科学家对于疾病机理的深刻理解。随着人工智能和大数据技术的快速发展，已有多家研究机构和公司利用多种维度的生物大数据与机器学习结合，实现多模态数据融合（Multimodal data fusion），并取得长足的发展。该技术能从多个维度对疾病及药物在复杂生物体系内的作用机理进行深入的研究，特别是在靶点发现、苗头化合物发现、药物重定向、活性与毒性评估等领域，拥有巨大的应用前景。然而生物大数据维度与复杂度的提高，使得其对模型的数据处理能力要求也更高。数据采集和处理中的噪音问题，限制了数据利用效率和模型表现，为多模态数据融合的应用带来挑战。本次合作中，北大舒绍坤课题组与晶泰科技将利用各自的技术优势，将多模态数据融合与深度学习算法高效结合。舒绍坤老师及其带领的课题组在肿瘤药物机制研究领域有丰富的经验与独到的见解，可通过高通量的 CRISPR 技术对细胞形成大规模的基因编辑扰动；而晶泰科技自主建立的细胞研发平台 X-Map，能够大规模收集细胞扰动后的高内涵图像数据和转录组数据。两者结合，能基于真实世界的多维度数据获得细胞水平的精确观测，从而建立起不同生理学变化与基因、药物调控之间的对应相关性。这一研究方法相较于动物模型，通量更高、成本更低，可以针对特定的研究体系，快速获得包含更大信息量的高质量研究数据，进一步提高药物研发的效率和成功率。算法方面，晶泰科技在深度学习算法与流程开发、图像分析领域具备独到的优势。配合其全新建立的细胞表型平台，晶泰创新中心自主研发了一套基于 Transformer 架构的 X-Profiler 算法，能针对特定的下游任务进行有效信息的提取，良好应对例如高内涵成像中因为孔板边缘高度变化导致的失焦模糊等问题，剔除数据噪音对模型的影响，提高信噪比（signal-to-noise ratio, SNR），并根据任务自适应调节数据质量控制策略，从而显著提高模型性能。X-Profiler在药物机理研究、毒性评估等多项下游任务中取得突破性结果，相关研究成果的预印版已发表在 BioRxiv 上。双方合作的第一阶段将聚焦于肿瘤治疗新靶点及肿瘤耐药机制的研究，目前已经取得了初步的进展。下一步，相关成果将应用于抗肿瘤耐药性药物的研发，以期为癌症患者带来更加有效的治疗选择。晶泰创新中心聚焦前瞻性核心技术的开发与应用落地，目前已建立 X-Map 细胞研发平台，整合了包括 Cell Painting 在内的细胞影像、转录组建库、自主研发的 X-Profiler 深度学习建模算法等技术。晶泰创新中心将基于 X-Map 细胞研发平台，持续在机理研究、药物筛选、临床前药物评价等领域与药企、科研机构合作，共同开展课题研究与研发合作。晶泰科技联合创始人、首席创新官赖力鹏博士表示，“高质量数据与人工智能技术的结合将成为驱动药物创新的主要力量之一。舒绍坤老师课题组在基于 CRISPR 高通量基因编辑和多组学实验技术的肿瘤机理研究方面有丰富的经验。这些技术和经验将为合作提供宝贵的知识及数据。结合晶泰自身的 X-Map 细胞表型研发平台，我们期待基因编辑、细胞高内涵技术、深度学习方法能在本次合作中展现出突破性价值，带来更好的创新肿瘤治疗方案。”北京大学国际癌症研究院研究员、博士生导师舒绍坤博士表示，“通过高通量CRISPR技术、细胞表型 Cell Painting 平台技术、多组学技术和深度学习多模态融合技术相结合，解析药物靶点功能和机制，能够充分发挥生物大数据和深度学习大模型的优势，是我们课题组和晶泰创新中心十分看好的方向。晶泰创新中心具有开放的合作模式与明确的算法技术优势，深刻理解现有表型技术的优点和瓶颈，为项目提供了高质量的细胞 Cell Painting 图像数据与建模解决方案，为项目推进提供了重要保障。期待两支团队能够在肿瘤药物作用机理的研究合作中获得更多有价值的成果。”● 关于晶泰科技创新中心 ●晶泰创新中心(XtalPi Innovatioin Center) 依托晶泰科技在人工智能、科学计算、自动化方面的技术积累，致力于通过前沿计算与实验技术的融合，推动更多从0到1的行业革新，持续发展AI和自动化实验技术在生命科学、生物材料、农业、能源等相关领域的应用。同时，晶泰创新中心将坚持推动底层科学探索和应用技术突破，加速产学研联合下的商业转化，不断为行业与社会创造价值。

上接：晶圆表面缺陷检测方法综述【上】4. 基于机器学习的晶圆表面缺陷检测机器学习主要是将一个具体的问题抽象成一个数学模型，通过数学方法求解模型，求解该问题，然后评估该模型对该问题的影响。根据训练数据的特点，分为监督学习、无监督学习和半监督学习。本文主要讨论这三种机器学习方法在晶圆表面缺陷检测中的应用。机器学习模型比较如表2所示。表 2.机器学习算法的比较。分类算法创新局限监督学习KNN系列对异常数据不敏感，准确率高。复杂度高，计算强度高。决策树-Radon应用Radon以形成新的缺陷特征。过拟合非常熟练。SVMSVM 可对多变量、多模态和不可分割的数据点进行高效分类。它对多个样本不友好，内核函数难以定位。无监督学习多层感知器聚类算法采用多层感知器增强特征提取能力。取决于激活函数的选择。DBSCAN可以根据缺陷模式特征有选择地去除异常值。样本密度不均匀或样本过大，收敛时间长，聚类效果差。SOM高维数据可以映射到低维空间，保持高维空间的结构。目标函数不容易确定。半监督学习用于增强标记的半监督框架将监督集成学习与无监督SOM相结合，构建了半监督模型。培训既费时又费时。半监督增量建模框架通过主动学习和标记样本来增强模型性能，从而提高模型性能。性能取决于标记的数据量。4.1. 监督学习监督学习是一种学习模型，它基于该模型对所需的新数据样本进行预测。监督学习是目前晶圆表面缺陷检测中广泛使用的机器学习算法，在目标检测领域具有较高的鲁棒性。Yuan，T等提出了一种基于k-最近邻（KNN）的噪声去除技术，该技术利用k-最近邻算法将全局缺陷和局部缺陷分离，提供晶圆信息中所有聚合的局部缺陷信息，通过相似聚类技术将缺陷分类为簇，并利用聚类缺陷的参数化模型识别缺陷簇的空间模式。Piao M等提出了一种基于决策树的晶圆缺陷模式识别方法。利用Radon变换提取缺陷模式特征，采用相关性分析法测度特征之间的相关性，将缺陷特征划分为特征子集，每个特征子集根据C4.5机制构建决策树。对决策树置信度求和，并选择总体置信度最高的类别。决策树在特定类别的晶圆缺陷检测中表现出更好的性能，但投影的最大值、最小值、平均值和标准差不足以代表晶圆缺陷的所有空间信息，因此边缘缺陷检测性能较差。支持向量机（SVM）在监督学习中也是缺陷检测的成熟应用。当样本不平衡时，k-最近邻算法分类效果较差，计算量大。决策树也有类似的问题，容易出现过度拟合。支持向量机在小样本和高维特征的分类中仍然具有良好的性能，并且支持向量机的计算复杂度不依赖于输入空间的维度，并且多类支持向量机对过拟合问题具有鲁棒性，因此常被用作分类器。R. Baly等使用支持向量机（SVM）分类器将1150张晶圆图像分为高良率和低良率两类，然后通过对比实验证明，相对于决策树，k-最近邻（KNN）、偏最小二乘回归（PLS回归）和广义回归神经网络（GRNN），非线性支持向量机模型优于上述四种晶圆分类方法。多类支持向量机在晶圆缺陷模式分类中具有更好的分类精度。L. Xie等提出了一种基于支持向量机算法的晶圆缺陷图案检测方案。采用线性核、高斯核和多项式核进行选择性测试，通过交叉验证选择测试误差最小的核进行下一步的支持向量机训练。支持向量机方法可以处理图像平移或旋转引起的误报问题。与神经网络相比，支持向量机不需要大量的训练样本，因此不需要花费大量时间训练数据样本进行分类。为复合或多样化数据集提供更强大的性能。4.2. 无监督学习在监督学习中，研究人员需要提前将缺陷样本类型分类为训练的先验知识。在实际工业生产中，存在大量未知缺陷，缺陷特征模糊不清，研究者难以通过经验进行判断和分类。在工艺开发的早期阶段，样品注释也受到限制。针对这些问题，无监督学习开辟了新的解决方案，不需要大量的人力来标记数据样本，并根据样本之间的特征关系进行聚类。当添加新的缺陷模式时，无监督学习也具有优势。近年来，无监督学习已成为工业缺陷检测的重要研究方向之一。晶圆图案上的缺陷图案分类不均匀，特征不规则，无监督聚类算法对这种情况具有很强的鲁棒性，广泛用于检测复杂的晶圆缺陷图案。由于簇状缺陷（如划痕、污渍或局部失效模式）导致难以检测，黄振提出了一种解决该问题的新方法。提出了一种利用自监督多层感知器检测缺陷并标记所有缺陷芯片的自动晶圆缺陷聚类算法（k-means聚类）。Jin C H等提出了一种基于密度的噪声应用空间聚类（DBSCAN）的晶圆图案检测与分类框架，该框架根据缺陷图案特征选择性地去除异常值，然后提取的缺陷特征可以同时完成异常点和缺陷图案的检测。Yuan， T等提出了一种多步晶圆分析方法，该方法基于相似聚类技术提供不同精度的聚类结果，根据局部缺陷模式的空间位置识别出种混合型缺陷模式。利用位置信息来区分缺陷簇有一定的局限性，当多个簇彼此靠近或重叠时，分类效果会受到影响。Di Palma，F等采用无监督自组织映射（SOM）和自适应共振理论（ART1）作为晶圆分类器，对1种不同类别的晶圆进行了模拟数据集测试。SOM 和 ART1 都依靠神经元之间的竞争来逐步优化网络以进行无监督分类。由于ART是通过“AND”逻辑推送到参考向量的，因此在处理大量数据集时，计算次数增加，无法获得缺陷类别的实际数量。调整网络标识阈值不会带来任何改进。SOM算法可以将高维输入数据映射到低维空间，同时保持输入数据在高维空间中的拓扑结构。首先，确定神经元的类别和数量，并通过几次对比实验确定其他参数。确定参数后，经过几个学习周期后，数据达到渐近值，并且在模拟数据集和真实数据集上都表现良好。4.3. 半监督学习半监督学习是一种结合了监督学习和无监督学习的机器学习方法。半监督学习可以使用少量的标记数据和大量的未标记数据来解决问题。基于集成的半监督学习过程如图 8 所示。避免了完全标记样品的成本消耗和错误标记。半监督学习已成为近年来的研究热点。图8.基于集成的半监督学习监督学习通常能获得良好的识别结果，但依赖于样本标记的准确性。晶圆数据样本可能存在以下问题。首先是晶圆样品数据需要专业人员手动标记。手动打标过程是主观的，一些混合缺陷模式可能会被错误标记。二是某些缺陷模式的样本不足。第三，一些缺陷模式一开始就没有被标记出来。因此，无监督学习方法无法发挥其性能。针对这一问题，Katherine Shu-Min Li等人提出了一种基于集成的半监督框架，以实现缺陷模式的自动分类。首先，在标记数据上训练监督集成学习模型，然后通过该模型训练未标记的数据。最后，利用无监督学习算法对无法正确分类的样本进行处理，以达到增强的标记效果，提高晶圆缺陷图案分类的准确性。Yuting Kong和Dong Ni提出了一种用于晶圆图分析的半监督增量建模框架。利用梯形网络改进的半监督增量模型和SVAE模型对晶圆图进行分类，然后通过主动学习和伪标注提高模型性能。实验表明，它比CNN模型具有更好的性能。5. 基于深度学习的晶圆表面缺陷检测近年来，随着深度学习算法的发展、GPU算力的提高以及卷积神经网络的出现，计算机视觉领域得到了定性的发展，在表面缺陷检测领域也得到了广泛的应用。在深度学习之前，相关人员需要具备广泛的特征映射和特征描述知识，才能手动绘制特征。深度学习使多层神经网络能够通过抽象层自动提取和学习目标特征，并从图像中检测目标对象。Cheng KCC等分别使用机器学习算法和深度学习算法进行晶圆缺陷检测。他们使用逻辑回归、支持向量机（SVM）、自适应提升决策树（ADBT）和深度神经网络来检测晶圆缺陷。实验证明，深度神经网络的平均准确率优于上述机器学习算法，基于深度学习的晶圆检测算法具有更好的性能。根据不同的应用场景和任务需求，将深度学习模型分为分类网络、检测网络和分割网络。本节讨论创新并比较每个深度学习网络模型的性能。5.1. 分类网络分类网络是较老的深度学习算法之一。分类网络通过卷积、池化等一系列操作，提取输入图像中目标物体的特征信息，然后通过全连接层，根据预设的标签类别进行分类。网络模型如图 9 所示。近年来，出现了许多针对特定问题的分类网络。在晶圆缺陷检测领域，聚焦缺陷特征，增强特征提取能力，推动了晶圆检测的发展。图 9.分类网络模型结构图在晶圆制造过程中，几种不同类型的缺陷耦合在晶圆中，称为混合缺陷。这些类型的缺陷复杂多变且随机性强，已成为半导体公司面临的主要挑战。针对这一问题，Wang J等提出了一种用于晶圆缺陷分类的混合DPR（MDPR）可变形卷积网络（DC-Net）。他们设计了可变形卷积的多标签输出和一热编码机制层，将采样区域聚焦在缺陷特征区域，有效提取缺陷特征，对混合缺陷进行分类，输出单个缺陷，提高混合缺陷的分类精度。Kyeong和Kim为混合缺陷模式的晶圆图像中的每种缺陷设计了单独的分类模型，并通过组合分类器网络检测了晶圆的缺陷模式。作者使用MPL、SVM和CNN组合分类器测试了六种不同模式的晶圆映射数据库，只有作者提出的算法被正确分类。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN对晶圆缺陷图案进行分类。他们使用合成生成的晶圆图像训练和验证了他们的CNN模型。此外，提出了一种利用模拟生成数据的方法，以解决制造中真实缺陷类别数据不平衡的问题，并达到合理的分类精度。这有效解决了晶圆数据采集困难、可用样品少的问题。分类网络模型对比如表3所示。表3. 分类网络模型比较算法创新Acc直流网络采样区域集中在缺陷特征区域，该区域对混合缺陷具有非常强的鲁棒性。93.2%基于CNN的组合分类器针对每个缺陷单独设计分类器，对新缺陷模式适应性强。97.4%基于CNN的分类检索方法可以生成模拟数据集来解释数据不平衡。98.2%5.2. 目标检测网络目标检测网络不仅可以对目标物体进行分类，还可以识别其位置。目标检测网络主要分为两种类型。第一种类型是两级网络，如图10所示。基于区域提案网络生成候选框，然后对候选框进行分类和回归。第二类是一级网络，如图11所示，即端到端目标检测，直接生成目标对象的分类和回归信息，而不生成候选框。相对而言，两级网络检测精度更高，单级网络检测速度更快。检测网络模型的比较如表4所示。图 10.两级检测网络模型结构示意图图 11.一级检测网络模型结构示意图表4. 检测网络模型比较算法创新AccApPCACAE基于二维主成分分析的级联辊类型自动编码。97.27%\YOLOv3-GANGAN增强了缺陷模式的多样性，提高了YOLOv3的通用性。\88.72%YOLOv4更新了骨干网络，增强了 CutMix 和 Mosaic 数据。94.0%75.8%Yu J等提出了一种基于二维主成分分析的卷积自编码器的深度神经网络PCACAE，并设计了一种新的卷积核来提取晶圆缺陷特征。产品自动编码器级联，进一步提高特征提取的性能。针对晶圆数据采集困难、公开数据集少等问题，Ssu-Han Chen等首次采用生成对抗网络和目标检测算法YOLOv3相结合的方法，对小样本中的晶圆缺陷进行检测。GAN增强了缺陷的多样性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先进的YOLOv4来检测和定位晶圆缺陷。与YOLOv3相比，骨干提取网络从Darknet-19改进为Darknet-53，并利用mish激活函数使网络鲁棒性。粘性增强，检测能力大大提高，复杂晶圆缺陷模式的检测定位性能更加高效。5.3. 分段网络分割网络对输入图像中的感兴趣区域进行像素级分割。大部分的分割网络都是基于编码器和解码器的结构，如图12所示是分割网络模型结构示意图。通过编码器和解码器，提高了对目标物体特征的提取能力，加强了后续分类网络对图像的分析和理解。在晶圆表面缺陷检测中具有良好的应用前景。图 12.分割网络模型结构示意图。Takeshi Nakazawa等提出了一种深度卷积编码器-解码器神经网络结构，用于晶圆缺陷图案的异常检测和分割。作者设计了基于FCN、U-Net和SegNet的三种编码器-解码器晶圆缺陷模式分割网络，对晶圆局部缺陷模型进行分割。晶圆中的全局随机缺陷通常会导致提取的特征出现噪声。分割后，忽略了全局缺陷对局部缺陷的影响，而有关缺陷聚类的更多信息有助于进一步分析其原因。针对晶圆缺陷像素类别不平衡和样本不足的问题，Han Hui等设计了一种基于U-net网络的改进分割系统。在原有UNet网络的基础上，加入RPN网络，获取缺陷区域建议，然后输入到单元网络进行分割。所设计的两级网络对晶圆缺陷具有准确的分割效果。Subhrajit Nag等人提出了一种新的网络结构 WaferSegClassNet，采用解码器-编码器架构。编码器通过一系列卷积块提取更好的多尺度局部细节，并使用解码器进行分类和生成。分割掩模是第一个可以同时进行分类和分割的晶圆缺陷检测模型，对混合晶圆缺陷具有良好的分割和分类效果。分段网络模型比较如表5所示。表 5.分割网络模型比较算法创新AccFCN将全连接层替换为卷积层以输出 2D 热图。97.8%SegNe结合编码器-解码器和像素级分类层。99.0%U-net将每个编码器层中的特征图复制并裁剪到相应的解码器层。98.9%WaferSegClassNet使用共享编码器同时进行分类和分割。98.2%第6章 结论与展望随着电子信息技术的不断发展和光刻技术的不断完善，晶圆表面缺陷检测在半导体行业中占有重要地位，越来越受到该领域学者的关注。本文对晶圆表面缺陷检测相关的图像信号处理、机器学习和深度学习等方面的研究进行了分析和总结。早期主要采用图像信号处理方法，其中小波变换方法和空间滤波方法应用较多。机器学习在晶圆缺陷检测方面非常强大。k-最近邻（KNN）、决策树（Decision Tree）、支持向量机（SVM）等算法在该领域得到广泛应用，并取得了良好的效果。深度学习以其强大的特征提取能力为晶圆检测领域注入了活力。最新的集成电路制造技术已经发展到4 nm，预测表明它将继续朝着更小的规模发展。然而，随着这些趋势的出现，晶圆上表面缺陷的复杂性也将增加，对模型的可靠性和鲁棒性提出了更严格的挑战。因此，对这些缺陷的分析和处理对于确保集成电路的高质量制造变得越来越重要。虽然在晶圆表面缺陷分析领域取得了一些成果，但仍存在许多问题和挑战。1、晶圆缺陷的公开数据集很少。由于晶圆生产和贴标成本高昂，高质量的公开数据集很少，为数不多的数据集不足以支撑训练。可以考虑创建一个合成晶圆缺陷数据库，并在现有数据集上进行数据增强，为神经网络提供更准确、更全面的数据样本。由于梯度特征中缺陷类型的多功能性，可以使用迁移学习来解决此类问题，主要是为了解决迁移学习中的负迁移和模型不适用性等问题。目前尚不存在灵活高效的迁移模型。利用迁移学习解决晶圆表面缺陷检测中几个样品的问题，是未来研究的难题。2、在晶圆制造过程中，不断产生新的缺陷，缺陷样本的数量和类型不断积累。使用增量学习可以提高网络模型对新缺陷的识别准确率和保持旧缺陷分类的能力。也可作为扩展样本法的研究方向。3、随着技术进步的飞速发展，芯片特征尺寸越来越小、越来越复杂，导致晶圆中存在多种缺陷类型，缺陷相互折叠，导致缺陷特征不均匀、不明显。增加检测难度。多步骤、多方法混合模型已成为检测混合缺陷的主流方法。如何优化深度网络模型的性能，保持较高的检测效率，是一个亟待进一步解决的问题。4、在晶圆制造过程中，不同用途的晶圆图案会产生不同的缺陷。目前，在单个数据集上训练的网络模型不足以识别所有晶圆中用于不同目的的缺陷。如何设计一个通用的网络模型来检测所有缺陷，从而避免为所有晶圆缺陷数据集单独设计训练模型造成的资源浪费，是未来值得思考的方向。5、缺陷检测模型大多为离线模型，无法满足工业生产的实时性要求。为了解决这个问题，需要建立一个自主学习模型系统，使模型能够快速学习和适应新的生产环境，从而实现更高效、更准确的缺陷检测。原文链接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)

2023年4月10日起，由中国细胞生物学学会主办的中国细胞生物学学会第十八次全国会员代表大会暨2023年全国学术大会，在江苏苏州盛大举行！宁波力显智能科技有限公司INVIEW作为专业从事超高分辨率显微成像产品生产研发的科技企业，受邀参会并作精彩亮相。值此盛会，力显智能发布了新品——细胞计数仪！正值春日好光景，展台前人才济济！嘉宾老师们都给了INCount极大的肯定，INCount也成为了本次会议吸睛的新起之秀！新品发布期间力显展位吸引了众多行业同仁的驻足参观和交流，吸引众多参展人员深入交流探讨，众多参展人员与代理商经过亲身试用体验和咨询信息后展现出浓厚的兴趣！INCount C全自动细胞计数仪是集高清成像、精准计数、智能分析为一体的细胞计数系统，搭载深度学习智能识别算法，准确分割细胞聚团，实现精准计数及数据可视化:一键开启、快捷方便、8s计数，让细胞计数快人1秒，胜人一筹!准（ACCURATE）1.高清成像600万彩色高帧率CMOS10倍标准物镜0.25 NA值2.智能识别算法确保计数结果准确稳定，准确分割细胞聚团，获得更准确的分析结果 识别重复精度CV5%。3.大样本量细胞统计分析一次可支持6样本各3个视野的成像统计，符合统计学，保障数据准确性。快（EFFICIENT）1.指尖触控触屏操作，简单方便。2.预设多种实验类型实验流程采取一键“宏”模式，预设了台盼蓝、AO/Pl等实验类型，简化手动操作步骤，提高实验效率。3.实现8s样本台盼蓝计数，35s双荧光AOPI计数。智（SMART）1.智能识别结合先进软件和深度学习的智能识别算法，可自动对焦、自动曝光、告别复杂参教设置,最大程度减少用户间操作差异。2.数据可视化内置多种可视化数据分析图像模式3.高性能硬件和配置12核酷睿isCPU,运算快速,分析流畅，智能分析不卡顿。＋（AND MORE）1.细胞转染效率分析、细胞周期分析在实现细胞计数的基础上，INcount还可以帮动用户进行组胞转染效率分析和细胞周期分析，精确定量、定性分析，无需第三方分析软件，大大提高实验者效率。2.支持定制支持用户定制，助力更多用户实验。力显的明星产品也是毫不逊色！力显也向业界同仁全面介绍了iSTORM超高分辨率显微成像系统及活细胞成像仪器赛乐微在生物医学领域的创新应用成果，收到了现场专家以及代表用户的一致好评。感谢客户们与专家们的认可客户都说好，才是真的好！在场的客户数就是对我们最好的肯定!关于我们About us 宁波力显智能科技有限公司（INVIEW）是专业从事超高分辨率显微技术和产品研发的科技企业，依托复旦大学的自动控制、新一代信息技术及香港科技大学的生物、光学、图像处理等的技术，拥有光学、生物、自控、机械、信息技术等多领域交叉学科技术团队，将2014年诺贝尔化学奖技术产业化，推出了超高分辨率显微成像系统iSTORM、细胞智能监控助手赛乐微等一系列产品，帮助人们以前所未有的视角观察微观世界，突破极限，见所未见。