详细内容或原文请订阅后点击阅览
机器学习增强了纳米级的化学分析
引入一种基于非负矩阵分解的全色锐化 (PSNMF) 方法，从嘈杂的 x 射线光谱数据中确定化学成分。来自：Nano Lett。2024, 24, 33, 10177-10185。作者：Hui Chen、Duncan T. L. Alexander、Cécile Hébert。作者：Nik Papageorgiou “纳米材料”是一个广义术语，用于描述单个单元是 […]
来源:ΑΙhub引入了基于非负基质分解的泛伴式（PSNMF）方法，以确定来自嘈杂的X射线光谱数据的化学组成。来自：Nano Lett。 2024、24、33、10177-10185。作者：Hui Chen，Duncan T. L. Alexander，CécileHébert。
纳米lett。 2024，24，33，10177-10185Nik Papageorgiou
“纳米材料”是一个广泛的术语，用于描述单个单位大小在1到100纳米之间的化学物质或材料（纳米分数是10米的十亿分之一）。它们包括外来材料，例如碳纳米管，银纳米颗粒（用作抗菌剂），纳米多孔材料以及用于有效驱动化学反应的许多类型的催化剂。
纳米材料目前用于从药物到电子产品的各个领域，这意味着确定其确切化学成分的能力至关重要。尽管如此，这证明是具有挑战性的，因为分析纳米材料的传统方法往往容易受到低信噪比的影响。
例如，一种广泛使用的方法是能量分散性X射线光谱（EDX），结合了扫描透射电子显微镜。该技术提供了样品中不同元素位于位置的详细地图，但是它通常会产生嘈杂的数据，尤其是在这样的小物体上，以及当不同材料重叠时混合信号，从而使精确的化学分析变得困难。
嘈杂的数据通常通过各种技术“清理”，从简单的空间过滤到更复杂的机器学习方法，例如主组件分析，这些方法将信号与噪声区分开，但它们也有缺点。例如，他们可以引入错误，也可以在非常相似的时候努力区分化学信号。
为了提高数据的清晰度，研究人员将附近像素的数据组合在一起，以空间分辨率成本增强了频谱中的信噪比。
EPFL