Resum

Comprendre la composició i la distribució de fases a escala nanomètrica és essencial per a l'avenç de la investigació de materials, des de l'optimització de nanoestructures catalítiques fins a desentranyar el comportament complex de fases en materials geològics i funcionals. La microscopia electrònica de transmissió (MET) ofereix una resolució espacial inigualable, cosa que permet obtenir imatges i anàlisis directes a escala atòmica. En combinació amb l'espectroscòpia de raigs X per dispersió d'energia (EDX) en mode d'escombrada (STEM-EDX), permet el mapeig químic amb resolució espacial i precisió subnanomètrica.

Tot i el seu ús generalitzat, STEM-EDX enfronta dos desafiaments crítics que limiten la seva efectivitat per a una anàlisi química i de fases precís: la barreja espectral a causa de la superposició espacial de fases al llarg de la trajectòria del feix d'electrons, cosa que enfosqueix els senyals específics de la fase; i la baixa relació senyal-soroll (SNR), particularment en materials sensibles al feix o en detectar oligoelements en concentracions inferiors a 100 ppm.

En aquesta xerrada, presentaré dues estratègies de machine learning (aprenentatge automàtic) de desenvolupament propi que aborden directament aquestes limitacions. La primera empra factorització matricial no negativa (FNM) amb restriccions físiques integrades per descompondre eficaçment els senyals espectrals superposats. El segon enfocament aprofita l'estadística de Poisson del recompte de raigs X i una estratègia de fusió de dades per reconstruir conjunts de dades d'alta qualitat a partir d'una única adquisició amb soroll. Aquests mètodes es demostren en sistemes experimentals complexos, incloent conjunts minerals a nanoescala i catalitzadors heterogenis. Representen un avenç significatiu en l'anàlisi química quantitativa en microscòpia electrònica, ampliant la seva aplicabilitat a materials amb relacions de fase complexes, baixa relació senyal-soroll (SNR), sensibilitat al feix i components traça crítics.