AI verbetert chemische analyse op nanoschaal

Wetenschappers van de EPFL hebben een op AI gebaseerde techniek ontwikkeld om de chemische analyse van nanomaterialen te verbeteren en zo de uitdagingen van ruis in de data en gemengde signalen te overwinnen.

“Nanomaterialen” is een brede term die wordt gebruikt om chemische stoffen of materialen te beschrijven waarin een enkele eenheid een grootte heeft tussen 1 en 100 nanometer (een nanometer is een miljardste van een meter). Ze omvatten exotische materialen zoals koolstofnanotubes, zilveren nanodeeltjes (gebruikt als antimicrobiële middelen), nanoporeuze materialen en vele soorten katalysatoren die worden gebruikt voor het efficiënt aansturen van chemische reacties.

Nanomaterialen worden momenteel gebruikt in een breed scala aan vakgebieden, van geneeskunde tot elektronica, wat betekent dat het vermogen om hun exacte chemische samenstelling te bepalen essentieel is. Niettemin blijkt dit een uitdaging te zijn, omdat traditionele methoden voor het analyseren van nanomaterialen vaak gevoelig zijn voor lage signaal-ruisverhoudingen.

Een veelgebruikte methode is bijvoorbeeld energiedispersieve röntgenspectroscopie (EDX), gecombineerd met scanning transmissie-elektronenmicroscopie. Deze techniek biedt gedetailleerde kaarten van waar verschillende elementen zich in een monster bevinden, maar produceert vaak ruisende data, vooral bij zulke kleine objecten, en gemengde signalen wanneer verschillende materialen overlappen, waardoor precieze chemische analyse moeilijk wordt.

De ruisige data worden meestal “opgeschoond” met verschillende technieken, van eenvoudige ruimtelijke filtering tot meer geavanceerde machine learning-benaderingen zoals principal component analysis, die de signalen van de ruis scheiden, maar ook deze hebben hun nadelen. Ze kunnen bijvoorbeeld fouten introduceren of moeite hebben om onderscheid te maken tussen chemische signalen wanneer ze erg op elkaar lijken.

Drie wetenschappers van EPFL, Hui Chen, Duncan Alexander en Cécile Hébert, hebben nu een op machine learning gebaseerde methode ontwikkeld die PSNMF (‘non-negative matrix factorization-based pan-sharpening’) heet. Deze methode verbetert de helderheid en nauwkeurigheid van EDX-gegevens, waardoor het eenvoudiger wordt om verschillende chemische elementen in nanomaterialen te identificeren en te kwantificeren.

Hun werk is gepubliceerd in het dagboek Nano-brieven.

Het team begon met het benutten van een speciale eigenschap van hun data, genaamd “Poisson-ruis”. Dit type ruis ontstaat omdat de detectie van röntgenfotonen willekeurig is. Wanneer de elektronenbundel het monster raakt, produceert het röntgenfotonen, maar het aantal gedetecteerde fotonen varieert elke keer willekeurig, waardoor een ruisig, korrelig patroon ontstaat dat bekendstaat als Poisson-ruis.

Om de helderheid van hun gegevens te verbeteren, combineerden de onderzoekers gegevens van nabijgelegen pixels. Hierdoor werd de signaal-ruisverhouding in het spectrum verbeterd, maar dit ging ten koste van de ruimtelijke resolutie.

Vervolgens pasten ze een machine learning-methode genaamd “non-negative matrix factorization” (NMF) toe op deze duidelijkere dataset. NMF is een wiskundige techniek die een grote dataset opsplitst in eenvoudigere, kleinere delen, waarbij wordt gegarandeerd dat alle delen niet-negatief zijn, wat helpt bij het identificeren van patronen in de data. Deze aanpak gaf hen goede spectrale data ten koste van wazige beelden met grote pixels.

Vervolgens herhaalden ze het NMF-proces op de originele dataset met hoge resolutie om gedetailleerde ruimtelijke informatie te behouden, maar initialiseerden de factorisatie met de eerder geïdentificeerde spectrale componenten. Ten slotte combineerden ze de resultaten van beide stappen om een ​​dataset van hoge kwaliteit te produceren die zowel een hoge spectrale betrouwbaarheid als een hoge ruimtelijke resolutie heeft.

De onderzoekers valideerden PSNMF met behulp van synthetische data, berekend dankzij een modelleringsalgoritme dat in het lab is ontwikkeld. Die data bootsten echte uitdagingen na, zoals het analyseren van mineraalmonsters die onder extreme omstandigheden zijn gevormd. De methode bleek zeer effectief en identificeerde en scheidde nauwkeurig verschillende materialen, zelfs die in kleine hoeveelheden.

Bij toepassing op echte monsters, waaronder een nanomineraal en een nanokatalysator, scheidde en kwantificeerde PSNMF overlappende materialen succesvol. Deze nauwkeurige analyse is cruciaal voor het begrijpen en ontwikkelen van nieuwe technologieën die afhankelijk zijn van deze complexe nanostructuren.

PSNMF is een significante verbetering in chemische analyse op nanoschaal. Door nauwkeurige resultaten te leveren ondanks ruisende data en overlappende signalen, verbetert deze methode ons vermogen om nanomaterialen te bestuderen en te gebruiken in verschillende velden, van geavanceerde elektronica tot medische apparaten.