Một kỹ thuật máy học mới đã giảm đáng kể độ nhiễu trong ảnh chụp bằng kính hiển vi điện tử truyền qua quét (STEM). Được phát triển bởi các nhà nghiên cứu ở Ireland, thuật toán này có thể giúp các nhà nghiên cứu sử dụng các chùm electron yếu để nghiên cứu các chi tiết ở cấp độ nano trong các mẫu tinh vi dễ dàng hơn rất nhiều.

STEM là một trong những công cụ mạnh mẽ nhất dành cho các nhà nghiên cứu nghiên cứu cấu trúc quy mô nguyên tử và thành phần hóa học của các mẫu vật liệu. Một chùm điện tử hội tụ được quét qua một mẫu mỏng và các điện tử đi qua mẫu được phát hiện để tạo ra hình ảnh. Các kỹ thuật STEM hiện đại hiện đã đạt được độ phân giải hình ảnh dưới 0.1 nm, vì vậy kỹ thuật này có khả năng nhìn thấy các nguyên tử riêng lẻ.

Tuy nhiên, đạt được độ phân giải cao đi kèm với chi phí. Một là độ phân giải cao hơn thường đạt được bằng cách sử dụng các chùm điện tử cường độ cao hơn, có thể làm hỏng hoặc thậm chí phá hủy các mẫu. Một ví dụ phổ biến là thiệt hại do kích nổ, theo đó một chùm điện tử cường độ cao có thể dịch chuyển vị trí của các nguyên tử trong một mẫu.

Thiệt hại hoặc giải quyết

“Việc giảm liều lượng điện tử sẽ hạn chế làm hỏng mẫu, nhưng cũng có cơ hội trích xuất thông tin hữu ích từ hình ảnh, vốn sẽ có độ phân giải kém hơn,” giải thích Laura Gambini của Trinity College Dublin, người đứng đầu cuộc nghiên cứu. “Điều này là do sự hiện diện của nhiễu Poisson, hiệu ứng của nó tăng lên khi giảm số lượng electron tới.”

Vì nhiễu Poisson là một đặc tính cơ bản của chùm tia điện tử nên không thể sửa nó một cách đơn giản bằng cách điều chỉnh thiết bị STEM, như trường hợp của một số loại nhiễu khác. Trong nghiên cứu của mình, Gambini và các đồng nghiệp của cô đã xem xét các thuật toán học máy, các hệ thống học cách thực hiện các tác vụ bằng cách xử lý dữ liệu đào tạo.

Trong trường hợp này, nhóm đã khám phá liệu có thể đào tạo các thuật toán máy học để giảm nhiễu trong các hình ảnh STEM được quét bằng chùm tia điện tử liều thấp hay không. Gambini giải thích: “Cụ thể, chúng tôi đã đào tạo bộ mã hóa tự động trên tập dữ liệu được tạo từ các hình ảnh STEM mô phỏng, cẩn thận trong việc phản ánh các cài đặt kính hiển vi phù hợp và sự đa dạng của mẫu vật trong tập dữ liệu của chúng tôi.

Cụ thể, các nhà nghiên cứu đã cẩn thận để đảm bảo những dữ liệu này bao gồm một dải cường độ chùm tia điện tử rộng và dữ liệu đào tạo của họ không thiên về các mẫu có cấu trúc tinh thể tuần hoàn. Sau khi đào tạo bộ mã hóa tự động của họ, Gambini và các đồng nghiệp đã kiểm tra khả năng giảm nhiễu Poisson của nó bằng cách sử dụng hệ thống để xử lý một tập hợp rộng lớn cả hình ảnh STEM thực và nhân tạo.

Khi so sánh trực quan các hình ảnh trước và sau khi xử lý, họ nhận thấy nhiễu giảm rõ rệt. Để định lượng sự cải thiện này chính xác hơn, họ đã phát triển một giao thức đo điểm chuẩn dựa trên sự định vị nguyên tử – ước tính vị trí của các nguyên tử trong một mẫu.

giải thích về kính hiển vi điện tử truyền qua quét

Bằng cách so sánh dữ liệu được đo điểm chuẩn này với kết quả thử nghiệm của họ, các nhà nghiên cứu đã chứng minh hiệu suất được nâng cao đáng kể khi sử dụng bộ mã hóa tự động của họ. Gambini nói: “Tóm lại, chúng tôi đã chứng minh rằng hình ảnh khử nhiễu của chúng tôi chứa thông tin chính xác hơn so với hình ảnh gốc và trong những hình ảnh được xử lý bằng các phương pháp khác.

Cùng với việc loại bỏ tiếng ồn, phương pháp của nhóm mang lại nhiều lợi ích giúp dễ dàng tích hợp với các kỹ thuật STEM hiện có. “Thuật toán của chúng tôi không yêu cầu bất kỳ đầu vào nào của con người hoặc kiến ​​thức trước về dữ liệu, nó có thể được triển khai mà không cần mua thêm bất kỳ thiết bị đắt tiền nào cho kính hiển vi và nó có thể chạy ở tốc độ tương thích với việc thu thập dữ liệu trực tiếp,” Gambini nói .

Hiện nhóm nghiên cứu hy vọng rằng bộ mã hóa tự động của họ sẽ dẫn đến những cơ hội mới để kiểm tra các vật liệu hữu cơ và các mẫu tinh vi khác ở mức độ chi tiết chưa từng có mà không có nguy cơ làm hỏng chúng.

Nghiên cứu được mô tả trong Học máy: Khoa học và Công nghệ.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: https://physicsworld.com/a/machine-learning-sharpens-images-from-scanning-transmission-electron-microscopes/