人工智能增强了纳米级的化学分析

EPFL科学家开发了一种基于人工智能的技术来改进纳米材料的化学分析，克服了噪声数据和混合信号的挑战

“纳米材料”是一个宽泛的术语，用于描述单个单元尺寸在1到100纳米之间的化学物质或材料（纳米是十亿分之一米）。它们包括碳纳米管、银纳米粒子（用作抗菌剂）、纳米多孔材料等奇特材料，以及用于有效驱动化学反应的多种催化剂

纳米材料目前用于从医学到电子的广泛领域，这意味着确定其确切化学成分的能力至关重要。尽管如此，这被证明是具有挑战性的，因为分析纳米材料的传统方法往往容易受到低信噪比的影响

例如，一种广泛使用的方法是能量色散X射线光谱学（EDX），结合扫描透射电子显微镜。这种技术提供了样品中不同元素位置的详细地图，但它通常会产生噪声数据，特别是在这种小物体上，以及不同材料重叠时的混合信号，这使得精确的化学分析变得困难

噪声数据通常会用各种技术进行“清理”，从简单的空间滤波到更复杂的机器学习方法，如主成分分析，将信号与噪声分离，但它们也有其缺点。例如，它们可能会引入错误，或者在化学信号非常相似时难以区分

现在，EPFL的三位科学家Hui Chen、Duncan Alexander和Cécile Hébert开发了一种基于机器学习的方法，称为PSNMF（“基于非负矩阵因子分解的泛锐化”），可以提高EDX数据的清晰度和准确性，从而更容易识别和量化纳米材料中的不同化学元素

他们的研究发表在《纳米快报》杂志上

该团队首先利用了他们数据的一个特殊特征，即“泊松噪声”。这种噪声的发生是因为对X射线光子的检测是随机的。当电子束撞击样品时，它会产生X射线光子，但每次检测到的光子数量都会随机变化，从而产生一种嘈杂的颗粒状图案，称为泊松噪声

为了提高数据的清晰度，研究人员结合了附近像素的数据，以牺牲空间分辨率为代价提高了光谱中的信噪比

然后，他们将一种名为“非负矩阵分解”（NMF）的机器学习方法应用于这个更清晰的数据集。NMF是一种数学技术，它将大型数据集分解为更简单、更小的部分，确保所有部分都是非负的，这有助于识别数据中的模式。这种方法以具有大像素的模糊图像为代价，为他们提供了良好的光谱数据

接下来，他们在原始高分辨率数据集上重复NMF过程，以保留详细的空间信息，但使用之前识别的光谱分量初始化因子分解。最后，他们将这两个步骤的结果结合起来，生成了一个具有高光谱保真度和高空间分辨率的高质量数据集

研究人员使用合成数据验证了PSNMF，这些数据是通过实验室开发的建模算法计算出来的。这些数据模拟了现实世界的挑战，例如分析在极端条件下形成的矿物样本。该方法被证明非常有效，可以准确地识别和分离不同的材料，即使是微量的材料

当应用于实际样品时，包括纳米矿物和纳米催化剂，PSNMF成功地分离和定量了重叠材料。这种精确的分析对于理解和开发依赖于这些复杂纳米结构的新技术至关重要

PSNMF是纳米级化学分析的一项重大改进。通过提供准确的结果，尽管存在噪声数据和重叠信号，这种方法增强了我们在从先进电子设备到医疗设备的各个领域研究和利用纳米材料的能力 More information: Hui Chen et al, Leveraging Machine Learning for Advanced Nanoscale X-ray Analysis: Unmixing Multicomponent Signals and Enhancing Chemical Quantification, Nano Letters (2024). DOI: 10.1021/acs.nanolett.4c02446

Journal information: Nano Letters