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”是一个广义术语，用于描述单个单元尺寸在 1 到 100 纳米(1 纳米是十亿分之一米)之间的化学物质或材料。它们包括碳纳米管、银纳米颗粒(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类型的催化剂。

纳米材料目前广泛应用于从医学到电子等各个领域，这意味着确定其确切化学成分的能力至关重要。然而，这被证明具有挑战性，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射线光谱法(EDX)与扫描透射电子显微镜相结合。该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，尤其是在如此小的物体上，并且当不同材料重叠时会产生混合信号，从而使得精确的化学分析变得困难。

噪声数据通常使用各种技术“清理”，从简单的空间过滤到更复杂的机器学习方法(如主成分分析)，将信号与噪声分开，但它们也有缺点。例如，它们可能会引入错误，或者难以区分非常相似的化学信号。

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(“基于非负矩阵分解的全色锐化”)，该方法可以提高 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。

他们的研究成果发表在《纳米快报》杂志上。

该团队首先利用了数据中一种名为“泊松噪声”的特殊特性。这种噪声的产生是因为 X 射线光子的检测是随机的。当电子束击中样本时，会产生 X 射线光子，但每次检测到的数量都会随机变化，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成更简单、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。这种方法为他们提供了良好的光谱数据，但代价是图像模糊且像素较大。

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，但使用先前识别的光谱分量初始化分解。最后，他们将两个步骤的结果结合起来，生成一个既具有高光谱保真度又具有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得出的。这些数据模拟了现实世界中的挑战，例如分析在极端条件下形成的矿物样本。事实证明，该方法非常有效，可以准确识别和分离不同的材料，即使是微量材料。

当应用于实际样品(包括纳米矿物和纳米催化剂)时，PSNMF 成功分离并量化了重叠材料。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重大改进。通过提供准确的结果，即使数据嘈杂且信号重叠，这种方法也能增强我们在从先进电子产品到医疗设备等各个领域研究和利用纳米材料的能力。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：