An Interactive, Automated 4D-STEM data acquisition and analysis routine for Scanning Electron Nanobeam Diffraction and Ptychography experiments
Cet article présente un flux de travail automatisé et piloté par machine pour l'acquisition et l'analyse de données 4D-STEM qui permet une caractérisation à haut débit et statistiquement robuste d'ensembles de nanoparticules de Pt, révélant des informations détaillées sur l'orientation, la morphologie, la phase et la déformation de réseau à l'échelle atomique.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu d'une scène de crime, votre « scène » est un minuscule éclat de métal si petit qu'il vous faut un microscope surpuissant pour le voir. C'est le monde de la microscopie électronique, un domaine où les scientifiques utilisent des faisceaux d'électrons (de minuscules particules qui agent comme des ondes) pour prendre des photos de matériaux à l'échelle atomique. Pendant des décennies, ces microscopes ont été comme des appareils photo incroyablement puissants, mais très capricieux. Pour obtenir une bonne image, un opérateur humain devait rester assis là, tournant des boutons, ajustant la mise au point et cherchant manuellement l'endroit parfait pour regarder. C'était lent, fatigant et, parce que les humains se fatiguent ou se distraient, ils pouvaient manquer les indices les plus intéressants ou ne regarder que les endroits « faciles ».
Récemment, des scientifiques ont construit des caméras plus rapides et plus intelligentes capables de prendre des milliers de photos le temps d'un clin d'œil. Mais il y a un piège : ces nouvelles caméras produisent tellement de données qu'un humain ne peut pas physiquement toutes les regarder. C'est comme avoir une caméra de surveillance qui enregistre une vidéo 4K 24 heures sur 24 et 7 jours sur 7 ; vous ne pouvez pas regarder chaque seconde de chaque jour pour trouver le moment précis où un voleur s'introduit. C'est là que la grande question se pose : comment rendre ces super-caméras assez intelligentes pour trouver les choses intéressantes par elles-mêmes ? Si nous pouvions apprendre au microscope à « réfléchir » et à décider de ce qu'il doit regarder, nous pourrions déverrouiller des secrets sur le fonctionnement des matériaux qui étaient auparavant cachés dans le volume massif de données.
Cet article présente un nouvel « assistant robotique » automatisé pour les microscopes électroniques qui fait précisément cela. Les chercheurs ont construit un système logiciel qui agit comme un explorateur curieux et infatigable. Au lieu qu'un humain soit assis aux commandes, ce logiciel balaie un échantillon, trouve les points spécifiques qu'il doit étudier (dans ce cas, de minuscules nanoparticules de platine), puis prend automatiquement des centaines de photos de haute technologie sans jamais avoir besoin qu'un humain touche un bouton.
L'équipe a testé ce système sur un échantillon de nanoparticules de platine — de minuscules morceaux de métal arrondis posés sur une feuille de carbone. Ils ont programmé le robot pour trouver ces particules et ensuite prendre deux types différents de « photos ». Le premier type est appelé « diffraction de faisceau nanométrique » (nanobeam diffraction), ce qui revient à projeter la lumière à travers un vitrail pour voir le motif lumineux qui en ressort. Cela indique aux scientifiques comment les atomes à l'intérieur de la particule sont disposés et dans quelle direction ils sont orientés. Le second est la « ptychographie », une technique sophistiquée qui combine de nombreuses images se chevauchant pour créer une vue ultra-nette, presque en 3D, des atomes eux-mêmes, un peu comme si l'on voyait les briques individuelles d'un mur.
Le robot a travaillé de manière autonome pendant des heures. Il a réussi à trouver et à photographier 153 particules de platine différentes pour le premier type de balayage et 117 pour le second, tout en travaillant pendant que les scientifiques dormaient ou faisaient autre chose. Le logiciel ne s'est pas contenté de prendre des photos ; il les a aussi analysées. Pour les données de diffraction, il a déterminé que les particules n'étaient pas toutes orientées de la même façon ; elles avaient une légère préférence pour une orientation spécifique (une « texture {110} faible »), et il a même repéré des indices d'une couche d'oxyde de surface qui pourrait être importante pour la façon dont ces particules servent de catalyseurs. Pour les données de ptychographie, le système a été assez intelligent pour filtrer les centaines d'images afin de trouver les quelques-unes qui étaient parfaitement alignées avec la grille atomique, permettant ainsi à l'équipe de cartographier de minuscules contraintes (étirements ou compressions) dans la structure atomique du métal.
L'article suggère que ce niveau d'automatisation change la donne. Auparavant, un humain pouvait réussir à collecter quelques dizaines de jeux de données de haute qualité par jour, souvent avec un biais vers les zones les plus « jolies » ou les plus faciles à trouver. Cette routine automatisée, cependant, a collecté des centaines de jeux de données en une seule session non surveillée, fournissant une image beaucoup plus complète et statistiquement fiable de l'échantillon. Les auteurs notent que bien que le système soit impressionnant, il n'est pas encore parfait ; lors de sessions prolongées, la qualité de l'image peut dériver lentement car les « lentilles » internes du microscope ne sont pas constamment réajustées par un humain. Cependant, le système enregistre cette dérive, suggérant que les futures versions pourraient utiliser ces données pour corriger automatiquement le microscope pendant son fonctionnement.
En résumé, cet article démontre que nous pouvons désormais apprendre aux microscopes à devenir des chercheurs indépendants. En automatisant la recherche de données et l'analyse initiale, les scientifiques peuvent recueillir des quantités massives d'informations sur la façon dont les matériaux sont construits et dont ils se comportent, menant à de meilleures conceptions pour des choses comme les piles à combustible et de nouveaux matériaux, le tout sans le goulot d'étranglement de la fatigue humaine. Le robot n'a pas seulement pris des photos ; il a transformé une montagne de données brutes en un récit clair sur la forme, l'orientation et l'état de santé de minuscules particules métalliques.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.