Nanomateriali è un termine generale che indica sostanze o materiali chimici con una dimensione unitaria compresa tra 1 e 100 nanometri (un nanometro equivale a un miliardesimo di metro). Si tratta di materiali esotici come i nanotubi di carbonio, le nanoparticelle d’argento (utilizzate come antimicrobici), i materiali nanoporosi e molti tipi di catalizzatori utilizzati per svolgere in modo efficiente le reazioni chimiche.
Oggi i nanomateriali sono utilizzati in molti campi, dalla medicina all’elettronica, il che significa che la capacità di determinare la loro esatta composizione chimica è essenziale. Ma si tratta di un compito difficile perché i metodi tradizionali di analisi dei nanomateriali tendono a essere sensibili a un basso rapporto segnale/rumore.
Ad esempio, un metodo ampiamente utilizzato è la spettroscopia a raggi X a dispersione di energia (EDX), combinata con la microscopia elettronica a trasmissione e a scansione. Questa tecnica fornisce mappe dettagliate della posizione dei diversi elementi in un campione. Tuttavia, spesso produce dati rumorosi, soprattutto su oggetti di piccole dimensioni, e segnali misti quando materiali diversi si sovrappongono, rendendo difficile ottenere un’analisi chimica accurata.
I dati rumorosi vengono generalmente "puliti" utilizzando una serie di tecniche che vanno dal semplice filtraggio spaziale ad approcci più sofisticati di apprendimento automatico come l’analisi delle componenti principali, che separa i segnali dal rumore. Tuttavia, anche queste tecniche presentano degli svantaggi. Ad esempio, possono introdurre errori o non riuscire a distinguere tra segnali chimici molto simili.
Tre scienziati dell’EPFL, Hui Chen, Duncan Alexander e Cécile Hébert, hanno appena sviluppato un metodo di apprendimento automatico, il PSNMF o "panchromatic refinement based on factorisation into non-negative matrices", che migliora la chiarezza e la precisione dei dati EDX. Questo metodo facilita l’identificazione e la quantificazione dei vari elementi chimici nei nanomateriali.
Il team ha iniziato sfruttando una particolare caratteristica dei dati chiamata "rumore di scatto". Questo tipo di rumore è dovuto al fatto che il rilevamento dei fotoni a raggi X è casuale. Quando il fascio di elettroni colpisce il campione, produce fotoni a raggi X, ma il numero di fotoni rilevati varia ogni volta in modo casuale, creando un modello rumoroso e granuloso, noto come rumore di ripresa.
Per migliorare la chiarezza dei dati, i ricercatori hanno combinato i dati provenienti da pixel vicini, ottimizzando il rapporto segnale/rumore nello spettro a scapito della risoluzione spaziale.
Hanno quindi applicato un metodo di apprendimento automatico, l’NMF o "fattorizzazione della matrice non negativa", a questa serie di dati più chiari. L’NMF è una tecnica matematica che decompone un grande insieme di dati in parti più piccole e semplici, assicurando che tutte le parti siano non negative e identificando così i modelli nei dati. Questo approccio ha permesso di ottenere dati spettrali di alta qualità al costo di immagini sfocate con pixel di grandi dimensioni.
Successivamente, hanno ripetuto il processo NMF sul set di dati originale ad alta risoluzione per preservare le informazioni spaziali dettagliate, inizializzando però la fattorizzazione con le componenti spettrali precedentemente identificate. Infine, hanno combinato i risultati delle due fasi per produrre un set di dati di alta qualità con un’elevata fedeltà spettrale e un’alta risoluzione spaziale.
I ricercatori hanno convalidato il PSNMF utilizzando dati sintetici, calcolati con un algoritmo di modellazione sviluppato in laboratorio. Questi dati riproducevano le sfide del mondo reale, come l’analisi di campioni di minerali formati in condizioni estreme. Il metodo si è dimostrato molto efficace, identificando e separando accuratamente i diversi materiali, anche in quantità minime.
Applicato a campioni reali, tra cui un nanominerale e un nanocatalizzatore, il PSNMF è stato in grado di separare e quantificare materiali sovrapposti. Questa analisi precisa è essenziale per comprendere e sviluppare nuove tecnologie basate su queste complesse nanostrutture.
Il PSNMF rappresenta un importante miglioramento nell’analisi chimica su scala nanometrica. Fornendo risultati accurati nonostante dati rumorosi e segnali sovrapposti, questo metodo migliora la nostra capacità di studiare e utilizzare i nanomateriali in una varietà di campi, dall’elettronica avanzata ai dispositivi medici.
