Resumen

Comprender la composición y la distribución de fases a escala nanométrica es esencial para el avance de la investigación de materiales, desde la optimización de nanoestructuras catalíticas hasta desentrañar el complejo comportamiento de fases en materiales geológicos y funcionales. La microscopía electrónica de transmisión (MET) ofrece una resolución espacial inigualable, lo que permite la obtención de imágenes y el análisis directos a escala atómica. En combinación con la espectroscopía de rayos X por dispersión de energía (EDX) en modo de barrido (STEM-EDX), permite el mapeo químico con resolución espacial y precisión subnanométrica.

A pesar de su uso generalizado, STEM-EDX enfrenta dos desafíos críticos que limitan su efectividad para un análisis químico y de fases preciso: la mezcla espectral debido a la superposición espacial de fases a lo largo de la trayectoria del haz de electrones, lo que oscurece las señales específicas de la fase; y la baja relación señal-ruido (SNR), particularmente en materiales sensibles al haz o al detectar oligoelementos en concentraciones inferiores a 100 ppm.

En esta charla, presentaré dos estrategias de machine learning (aprendizaje automático) de desarrollo propio que abordan directamente estas limitaciones. La primera emplea factorización matricial no negativa (FNM) con restricciones físicas integradas para descomponer eficazmente las señales espectrales superpuestas. El segundo enfoque aprovecha la estadística de Poisson del conteo de rayos X y una estrategia de fusión de datos para reconstruir conjuntos de datos de alta calidad a partir de una única adquisición con ruido. Estos métodos se demuestran en sistemas experimentales complejos, incluyendo conjuntos minerales a nanoescala y catalizadores heterogéneos. Representan un avance significativo en el análisis químico cuantitativo en microscopía electrónica, ampliando su aplicabilidad a materiales con relaciones de fase complejas, baja relación señal-ruido (SNR), sensibilidad al haz y componentes traza críticos.