Das Wort "Nanomaterialien" ist ein allgemeiner Begriff für chemische Stoffe oder Materialien, bei denen eine einzelne Einheit zwischen 1 und 100 Nanometer groß ist (ein Nanometer entspricht einem Milliardstel Meter). Es handelt sich um exotische Materialien wie Kohlenstoffnanoröhren, Silbernanopartikel (die als antimikrobielle Mittel eingesetzt werden), nanoporöse Materialien und viele Arten von Katalysatoren, die dazu dienen, chemische Reaktionen effizient durchzuführen.
Da Nanomaterialien heute in vielen Bereichen von der Medizin bis zur Elektronik eingesetzt werden, ist die Fähigkeit, ihre genaue chemische Zusammensetzung zu bestimmen, von entscheidender Bedeutung. Dies ist jedoch eine schwierige Aufgabe, da herkömmliche Methoden zur Analyse von Nanomaterialien tendenziell empfindlich auf niedrige Signal-Rausch-Verhältnisse reagieren.
Eine weit verbreitete Methode ist zum Beispiel die energiedispersive Röntgenspektroskopie (EDX) in Kombination mit Transmissions- und Rasterelektronenmikroskopie. Diese Technik liefert detaillierte Karten über die Lage der verschiedenen Elemente in einer Probe. Sie liefert jedoch häufig verrauschte Daten, insbesondere bei kleinen Objekten, und Mischsignale, wenn sich verschiedene Materialien überlappen, weshalb es schwierig ist, eine genaue chemische Analyse zu erhalten.
Rauschende Daten werden in der Regel mithilfe verschiedener Techniken "bereinigt", von der einfachen räumlichen Filterung bis hin zu anspruchsvolleren Ansätzen des maschinellen Lernens wie der Hauptkomponentenanalyse, bei der die Signale vom Rauschen getrennt werden. Diese Techniken haben jedoch auch ihre Nachteile. Zum Beispiel können sie Fehler einbauen oder es nicht schaffen, sehr ähnliche chemische Signale zu unterscheiden.
Drei Wissenschaftler der EPFL, Hui Chen, Duncan Alexander und Cécile Hébert, haben kürzlich eine Methode des maschinellen Lernens entwickelt, PSNMF oder "panchromatische Verfeinerung basierend auf der Faktorisierung in nicht-negativen Matrizen", die die Klarheit und Genauigkeit von EDX-Daten verbessert. Diese Methode erleichtert somit die Identifizierung und Quantifizierung der verschiedenen chemischen Elemente in Nanomaterialien.
Das Team nutzte zunächst eine besondere Eigenschaft seiner Daten aus, die als "Schrotschussrauschen" bezeichnet wird. Diese Art von Rauschen entsteht dadurch, dass die Detektion von Röntgenphotonen zufällig erfolgt. Wenn der Elektronenstrahl auf die Probe trifft, erzeugt er Röntgenphotonen, aber die Anzahl der detektierten Photonen variiert jedes Mal zufällig, wodurch ein lautes, körniges Muster entsteht, das als Schrotschussrauschen bezeichnet wird.
Um die Klarheit ihrer Daten zu verbessern, kombinierten die Forscherinnen und Forscher Daten von nahegelegenen Pixeln, wodurch das Signal-Rausch-Verhältnis im Spektrum auf Kosten der räumlichen Auflösung optimiert werden konnte.
Anschließend wandten sie eine Methode des maschinellen Lernens, die NMF oder "Faktorisierung in nicht-negative Matrizen", auf diesen übersichtlicheren Datensatz an. NMF ist eine mathematische Technik, die einen großen Datensatz in einfachere und kleinere Teile zerlegt und dabei sicherstellt, dass alle Teile nicht-negativ sind, wodurch Muster in den Daten erkannt werden können. Mit diesem Ansatz konnten sie qualitativ hochwertige Spektraldaten auf Kosten von unscharfen Bildern mit großen Pixeln erhalten.
Anschließend wiederholten sie den NMF-Prozess auf dem ursprünglichen hochauflösenden Datensatz, um die detaillierten räumlichen Informationen zu erhalten, initialisierten aber die Faktorisierung mit den zuvor identifizierten Spektralkomponenten. Schließlich kombinierten sie die Ergebnisse beider Schritte, um einen qualitativ hochwertigen Datensatz zu erzeugen, der sowohl eine hohe Spektraltreue als auch eine hohe räumliche Auflösung aufweist.
Die Forscherinnen und Forscher validierten das PSNMF mithilfe synthetischer Daten, die mithilfe eines im Labor entwickelten Modellierungsalgorithmus berechnet wurden. Diese Daten reproduzierten die Herausforderungen der realen Welt, wie die Analyse von Mineralproben, die unter extremen Bedingungen gebildet wurden. Die Methode erwies sich als sehr effizient und identifizierte und trennte die verschiedenen Materialien selbst in winzigen Mengen präzise.
Angewandt auf echte Proben, darunter ein Nanomineral und ein Nanokatalysator, gelang es dem PSNMF, überlappende Materialien zu trennen und zu quantifizieren. Diese genaue Analyse ist für das Verständnis und die Entwicklung neuer Technologien, die auf diesen komplexen Nanostrukturen beruhen, unerlässlich.
PSNMF stellt eine bedeutende Verbesserung der chemischen Analyse auf der Nanometerskala dar. Indem sie trotz verrauschter Daten und überlappender Signale genaue Ergebnisse liefert, verbessert diese Methode unsere Fähigkeit, Nanomaterialien in verschiedenen Bereichen zu untersuchen und zu verwenden, von hochmoderner Elektronik bis hin zu medizinischen Geräten.
