ACS Nano：实现复杂纳米材料系统光谱成像分析的机器学习方法

NavyLIu

2022-12-21

基于扫描透射电子显微镜的电子能量损失光谱成像（STEM-EELS-SI）已广泛应用于材料研究，从中可以获取包括元素、电子密度和键合状态分布等大量信息。然而，由于难以从复杂的空间和光谱数据集中的噪声和重叠边缘提取信息，因此其开发仍面临许多挑战。传统的EELS光谱成像分析缺乏隔离噪声和消除重叠边缘的能力，从而限制了EELS-SI生成的地图的分辨率或信噪比。近日，翰斯·霍普金斯大学Jia Haili报道了实现复杂纳米材料系统光谱成像分析的机器学习方法。

本文要点：

1) 现有的机器学习（ML）算法可以在一定程度上实现去噪和去卷积，但提取的频谱缺乏物理意义。为了解决这些挑战，作者开发了一种适用于光谱成像分析系统的ML方法，而该方法基于非负稳健主成分分析。

2) 该方法提供了一种有效的方法来分析EELS光谱图像，提高了时空分辨率、信噪比，并能够分离光谱中的细微差异。作者将该算法应用于13个纳米材料系统，与传统方法相比，ML可以大大提高图像质量，尤其是对于更具挑战性的系统。

参考文献：

Jia Haili et.al Machine Learning Approach to Enable Spectral Imaging Analysis for Particularly Complex Nanomaterial Systems ACS Nano 2022

DOI: 10.1021/acsnano.2c08884

https://pubs.acs.org/doi/10.1021/acsnano.2c08884