Een computerlens ontmaskert verborgen 3D-informatie uit één enkele 2D-microfoto

Natuurkundigen van de Nationale Universiteit van Singapore (NUS) hebben een computationele beeldvormingstechniek ontwikkeld om driedimensionale (3D) informatie te extraheren uit een enkele tweedimensionale (2D) elektronenmicroscoop. Deze methode kan eenvoudig worden geïmplementeerd in de meeste transmissie-elektronenmicroscopen (TEM’s), waardoor het een haalbaar hulpmiddel wordt voor het snel afbeelden van grote gebieden met een 3D-resolutie op nanoschaal (ongeveer 10 nm).

Het begrijpen van structuur-functierelaties is cruciaal voor onderzoek naar nanotechnologie, inclusief het fabriceren van complexe 3D-nanostructuren, het observeren van reacties op nanometerschaal en het onderzoeken van zelf-geassembleerde 3D-nanostructuren in de natuur. De meeste structurele inzichten beperken zich momenteel echter tot 2D. Dit komt omdat snelle, gemakkelijk toegankelijke 3D-beeldvormingstools op nanoschaal ontbreken en gespecialiseerde instrumenten of grote faciliteiten zoals synchrotrons vereisen.

Een onderzoeksteam bij NUS heeft deze uitdaging aangepakt door een computationeel schema te bedenken dat gebruik maakt van de fysica van de interactie tussen elektronen en materie en bekende materiaalprioriteiten om de diepte en dikte van de lokale regio van het monster te bepalen. Vergelijkbaar met de manier waarop een pop-upboek platte pagina’s omzet in driedimensionale scènes, gebruikt deze methode lokale diepte- en diktewaarden om een ​​3D-reconstructie van het preparaat te creëren die ongekende structurele inzichten kan opleveren. De bevindingen zijn gepubliceerd in het journaal Communicatie natuurkunde.

Onder leiding van assistent-professor N. Duane LOH van de afdelingen Natuurkunde en Biologische Wetenschappen van NUS ontdekte het onderzoeksteam dat de spikkels in een TEM-microfoto informatie bevatten over de diepte van het monster. Ze legden de wiskunde uit achter waarom lokale defocuswaarden van een TEM-microfoto naar het massamiddelpunt van het monster wijzen.

De afgeleide vergelijking geeft aan dat een enkele 2D-microfoto een beperkte capaciteit heeft om 3D-informatie over te brengen. Als het monster dikker is, wordt het daarom moeilijker om de diepte ervan nauwkeurig te bepalen.

De auteurs hebben hun methode verbeterd om aan te tonen dat deze pop-out metrologietechniek gelijktijdig kan worden toegepast op meerdere monsterlagen met enkele extra priors. Deze vooruitgang opent de deur naar snelle 3D-beeldvorming van complexe, meerlaagse monsters.

Dit onderzoek zet de voortdurende integratie van machine learning met elektronenmicroscopie door het team voort om computationele lenzen te creëren voor het in beeld brengen van onzichtbare dynamieken die plaatsvinden op nanoschaalniveau.

Dr. Deepan Balakrishnan, de eerste auteur, zei: “Ons werk toont het theoretische raamwerk voor single-shot 3D-beeldvorming met TEM’s. We ontwikkelen een gegeneraliseerde methode met behulp van op fysica gebaseerde machine learning-modellen die materiële priors leren en 3D-hulp bieden voor elk probleem.” 2D-projectie.”

Het team overweegt ook om de formulering van pop-out metrologie verder te generaliseren dan TEM’s naar elk coherent beeldvormingssysteem voor optisch dikke monsters (dwz röntgenstralen, elektronen, fotonen van zichtbaar licht, enz.).

Prof Loh voegde hieraan toe: “Net als bij het menselijk zicht vereist het afleiden van 3D-informatie uit een 2D-beeld context. Pop-out is vergelijkbaar, maar de context komt van het materiaal waarop we ons concentreren en ons begrip van hoe fotonen en elektronen ermee omgaan.”