Het vinden van duidelijkheid in het lawaai: nieuwe aanpak herstelt verborgen signalen op nanoschaal

In de wereld van de nanotechnologie is het duidelijk niet eenvoudig om duidelijk te zien. Het is nog moeilijker als je probeert te begrijpen hoe de eigenschappen van een materiaal zich verhouden tot zijn structuur op nanoschaal. Tools zoals PiezoreSponse Force Microscopy (PFM) helpen wetenschappers te helpen in de functionaliteit van materialen op nanoschaal en onthullen hoe ze reageren op elektrische velden. Maar die signalen worden vaak begraven in lawaai, vooral in gevallen waarin de meest interessante fysica plaatsvindt.

Nu hebben onderzoekers van Georgia Tech een krachtige nieuwe methode ontwikkeld om zinvolle informatie te extraheren uit zelfs de luidruchtigste gegevens, of wanneer, alternatief, de reactie van het materiaal de kleinste is. Hun benadering, die fysieke modellering combineert met geavanceerde statistische reconstructie, zou de nauwkeurigheid en het vertrouwen van meeteigenschappen op nanoschaal aanzienlijk kunnen verbeteren.

De bevindingen van het team, geleid door Nazanin Bassiri-Gharb, Harris Saunders, voorzitter en professor in de George W. Woodruff School of Mechanical Engineering and School of Materials Science and Engineering (MSE), zijn gemeld in Kleine methoden.

Co-Lead Authors Kerisha Williams, een voormalige MSE Ph.D. Student, en Henry Shaowu Yuchi, een voormalige Ph.D. Student in de H. Milton Stewart School of Industrial and Systems Engineering (Isye) leidde de studie. Andere medewerkers zijn Kevin Ligonde, een Ph.D. student in de Woodruff School; Mathew Repasky, een voormalige Ph.D. student in Isye; en Yao Xie, Coca-Cola Foundation-voorzitter en professor in Isye.

Het signaalprobleem

PFM is een type scanning -sonde microscopietechniek. Het is een belangrijk hulpmiddel om te begrijpen hoe materialen zich op de kleinste schalen gedragen. Deze techniek werkt door een kleine cantilever -punt over een oppervlak te scannen terwijl u een elektrisch veld aanbrengt en vervolgens te meten hoe het oppervlak reageert, waarbij details over elektromechanische en polaire eigenschappen worden onthuld.

Maar er is een vangst: in regio’s waar polarisatieschakelaars, zoals tijdens de overgang van positieve naar negatieve polaire richting, de elektromechanische respons van nature naar nul daalt. Dit wordt verwacht dat natuurkunde. En wanneer u op nanoschaal werkt, is er bijna altijd een aanzienlijke hoeveelheid lawaai. Die combinatie kan ervoor zorgen dat de signaal-ruisverhouding (SNR) scherp daalt, waardoor de gegevens misleidend of onbruikbaar worden, vooral als kleine fouten worden aangezien voor exotische nieuwe fenomenen.

“Deze regio’s met lage SNR zijn niet alleen lawaai, ze zijn vaak waar de meest kritieke informatie leeft,” zei Williams. “We hadden een manier nodig om die gegevens te herstellen zonder nieuwe artefacten te introduceren.”

Een slimmere manier om de gaten in te vullen

Traditioneel hebben onderzoekers geprobeerd om gegevenspunten met lage SNR te “reinigen” met behulp van eenvoudige interpolatie of door waarden één voor één weg te gooien en te vervangen. Maar die methoden kunnen de fysieke relaties tussen geëxtraheerde informatie verstoren, wat leidt tot onnauwkeurige of onvolledige interpretaties.

Het Georgia Tech -team heeft een andere aanpak gekregen. Ten eerste gebruikten ze fouten uit het standaard signaal-passende proces, gebaseerd op een eenvoudig harmonisch oscillatormodel van het tipoppervlakcontact, om te detecteren welke gegevenspunten onbetrouwbaar waren. In plaats van ze een voor een te patchen, gebruikten ze statistische benaderingen van machine learning om hele segmenten van ontbrekende of lawaaierige signalen te reconstrueren. Dit bewaarde de natuurlijke correlatie tussen parameters zoals amplitude, fase, frequentie en demping.

Het team gebruikte een nieuwe statistische machine learning -methode ontwikkeld door de Isye Research Group, genaamd Bayesian Matrix Completion (Bayesmg). Deze methode is ontworpen om rommelige en onvolledige gegevens te begrijpen door patronen te vinden en ruis te verminderen. Het werkt goed als er overeenkomsten zijn over verschillende metingen, waardoor zinvolle signalen kunnen worden onthuld die anders kunnen worden verborgen. In de context van PFM helpt deze methode onderzoekers beter te begrijpen hoe het materiaal zich gedraagt.

“De nieuwe Bayesmg is grotendeels ontwikkeld als een algemeen statistisch leerkader voor matrices met lage rang en maakt deel uit van Henry’s Ph.D.-scriptie; we zijn enthousiast over de eerste real-world-toepassing in zo’n impactvol domein,” zei Xie.

Na het opruimen van de gegevens heeft het team een standaardmodel toegepast om waarden te extraheren die fysiek logisch zijn en bekend gedrag overeenkomen. Bayesmg biedt ook informatie over hoe zelfverzekerde onderzoekers in deze resultaten kunnen zijn door onzekerheid te schatten.

“Onze methode raadt niet alleen wat het signaal zou moeten zijn; het bouwt het terug met de onderliggende structuur van de gegevens,” zei Bassiri-Gharb. “Dat geeft ons veel meer vertrouwen in wat we meten.”

Heroverweging van veronderstellingen uit het verleden

Wanneer toegepast op een loodmagesiumniobaat-lead-titanaat (een materiaal dat routinematig wordt gebruikt in onderwater akoestische transducers en medische echografie-apparaten), onthulde de methode een schoner en fysiek realistisch dynamisch polair gedrag dan conventionele technieken. In het bijzonder elimineerde het misleidende artefacten, zoals signaalplateaus of plotselinge sprongen en dips, die soms zijn geïnterpreteerd als tekenen van complexe fase -overgangen of mechanische koppeling.

Door de echte nanoschaalrespons te reconstrueren in het lage signaal-ruisregime, opent de methode de deur naar een beter begrip van materialen die cruciaal zijn voor sensoren, actuatoren, geheugenapparaten en energiesystemen.

Nog belangrijker is dat het team de nadruk legde op transparantie. Ze documenteerden elke stap van de data-verwerkingspijplijn en vestigden de aandacht op de subjectieve beslissingen die onderzoekers vaak achter de schermen nemen, zoals het kiezen van frequentiebereiken, fasekalibratiemethoden of foutdrempels. Deze keuzes, hoewel routine, kunnen de resultaten aanzienlijk beïnvloeden.

Een blauwdruk voor betere wetenschap

“Dit werk vult een grote leemte in het veld”, zei Williams. “Er is geen standaard voor het verwerken van lawaaierige gegevens in signaalgemoduleerde SPM. We bieden niet alleen een tool aan, we bieden een proces dat anderen kunnen volgen, repliceren en verbeteren.”

Bassiri-Gharb en Williams hopen dat hun aanpak zal dienen als een model voor de bredere SPM-gemeenschap en daarbuiten. Ze pleiten voor open delen van metadata-, code- en verwerkingsdetails, in overeenstemming met de eerlijke principes die reproduceerbare en transparante wetenschap bevorderen.

En hoewel hun methode werd aangetoond in PFM, is deze van toepassing op een breed scala aan technieken waarbij externe velden worden gebruikt om materialen op nanoschaal te onderzoeken.

“In veel opzichten is dit als het vinden van een naald in een hooiberg,” zei Bassiri-Gharb. “Met de juiste tools en een beetje geduld leren we hoe we de signalen kunnen herstellen die er het meest toe doen.”