[ad_1]
(noticias nanowerk) Mediante el uso de un algoritmo de aprendizaje inteligente que fusiona dos señales microscópicas, investigadores de la Universidad de Michigan lograron por primera vez obtener imágenes químicas en 3D eficientes y de alta resolución a escala de un nanómetro.
«Ver mundos invisibles mucho más pequeños que las longitudes de onda de la luz es absolutamente fundamental para comprender la materia que estamos diseñando a nanoescala, no sólo en 2D sino también en 3D», dijo Robert Hovden, profesor asociado de ciencia y tecnología de materiales en la UM y correspondiente autor del estudio publicado en comunicación de la naturaleza (“Obtención de imágenes de química 3D con una resolución de 1 nm con tomografía electrónica multimodal fusionada”).
“Al aprovechar nuestro conocimiento del proceso de obtención de imágenes y un nuevo enfoque para la reconstrucción tomográfica, ahora podemos obtener imágenes simultáneamente de la estructura y la composición química en alta resolución en 3D. Este es un enfoque particularmente útil para materiales complejos y heterogéneos”, dijo Mary Scott, coautora del estudio y profesora asociada Ted van Duzer en el Departamento de Ciencia e Ingeniería de Materiales de UC Berkeley y científica de la facultad de la División de Fundición Molecular de Lawrence. Laboratorio Nacional de Berkeley.
Hasta ahora, los investigadores de nanomateriales tenían que elegir entre obtener imágenes de la estructura tridimensional o de la distribución química en 2D.
Ambos métodos de obtención de imágenes utilizan un microscopio electrónico de transmisión de barrido, que acelera un haz de electrones de alta energía a través de un material de muestra. Estos electrones de alta energía pueden disolver estructuras a distancias menores que la longitud del enlace de los átomos. Sin embargo, las imágenes de alta resolución requieren una cantidad significativa de dosis o energía para capturar de manera eficiente la estructura atómica o la química. En la mayoría de los casos, la dosis necesaria para obtener imágenes químicas se encuentra justo en el límite del material, donde las muestras comienzan a derretirse con una exposición prolongada al haz. Esto es particularmente importante para las imágenes químicas en 3D, que requieren la adquisición de muchas imágenes químicas.
Las imágenes 3D a nanoescala funcionan de manera similar a una tomografía computarizada médica, donde el equipo gira alrededor de un paciente para recolectar imágenes desde múltiples ángulos para ver las estructuras internas en 3D.
En cambio, en la tomografía electrónica (el método preferido para obtener imágenes 3D a nanoescala), el haz de electrones permanece estacionario mientras la muestra se inclina a su alrededor. Sin embargo, esto presenta una serie de complicaciones ya que los investigadores no pueden obtener imágenes completas de su muestra y deben confiar en algoritmos de aprendizaje automático para predecir vistas desde ángulos no disponibles.
“La estructura es una cosa, pero si quieres ver la capa de óxido en un transistor o la distribución de oxígeno en una nanopartícula diseñada para aplicaciones de energía limpia, tienes que ver la química a nanoescala, lo cual no se puede hacer con la tomografía electrónica. solo.” dijo Hovden.
Para resolver el problema de la dosis absorbida, el equipo de investigación desarrolló una nueva técnica llamada “tomografía electrónica multimodal” para recolectar imágenes en cada ángulo de inclinación, mientras que las imágenes químicas se recolectan escasamente cada pocas inclinaciones. Luego, un algoritmo multimodal toma la información para ambos tipos de señales y genera la estructura y la química 3D.
La mezcla de señales permite una reducción de aproximadamente 100 veces la dosis absorbida y garantiza que la muestra no se destruya antes de que se complete la obtención de imágenes.
Los resultados muestran que la técnica es capaz de obtener imágenes de compuestos orgánicos y metales simultáneamente, lo que demuestra el uso de la técnica en una amplia gama de materiales.
«Nuestra solución aprovecha todas las señales complementarias presentes en nuestro microscopio al promover la comunicación entre una señal que no requiere una dosis grande y una señal que requiere mucha dosis», dijo Jonathan Schwartz, estudiante graduado en ciencia e ingeniería de materiales de la UM y líder autor del estudio.
Las dos técnicas de obtención de imágenes se basan en diferentes propiedades físicas de los electrones a medida que se mueven a través de un material. Las imágenes 3D se basan en la dispersión elástica, en la que los electrones no pierden energía al atravesar la muestra. En las imágenes químicas, el haz de electrones de mayor energía aumenta la probabilidad de que se produzca el evento más raro de dispersión inelástica, en el que los electrones pierden una cantidad específica de energía que refleja el elemento con el que chocaron, proporcionando una firma química única.
«Este es un enfoque completamente nuevo en la forma en que mezclamos y utilizamos señales de electrones dispersos elástica e inelásticamente», dijo Hovden.
Además de la distribución química, los resultados del aprendizaje automático incluso proporcionan información sobre la estequiometría o las proporciones de elementos en el material. Por ejemplo, para cada motivo en el óxido de hierro (Fe₂O₃), podría tener dos átomos de hierro por cada tres átomos de oxígeno, o quizás podría tener dos átomos de hierro por cada dos átomos de oxígeno.
“Debido a que el algoritmo intenta descubrir la descomposición de los elementos presentes, captura bastante bien la proporción de composición química. Esto fue algo que obtuvimos de forma gratuita como parte del proceso de optimización de nuestro algoritmo”, dijo Schwartz, ahora científico del Chan Zuckerberg Imaging Institute.
Hovden atribuye el éxito de la tecnología al uso de la física, la ciencia de los materiales y la informática moderna.
“El primer paso para cada detector es comprender la física de los electrones que interactúan con la materia bajo nuestro microscopio. La informática vincula todos estos detectores en una imagen general. «Es un campo de actividad completamente nuevo en esta área», dijo Hovden.
La combinación de dos señales diferentes para mejorar la información, también conocida como imagen multimodal, es cada vez más importante en todos los campos técnicos. Las fugas de metano se pueden detectar y resolver mediante imágenes satelitales combinadas con sensores térmicos o químicos. Los coches autónomos combinan señales de teledetección que proporcionan información del terreno con señales del coche para mejorar la navegación.
“Este es uno de los primeros resultados importantes del poder de la multimodalidad en nuestro campo. Es emocionante seguir encontrando nuevas formas de ver la materia a estas pequeñas escalas”, afirmó Hovden.
[ad_2]