Al explotar un algoritmo de aprendizaje inteligente que fusiona dos señales de microscopía, investigadores de la Universidad de Michigan han logrado imágenes químicas en 3D eficientes y de alta resolución por primera vez en la escala de un nanómetro. Para ponerlo en contexto, un nanómetro es una millonésima de milímetro, o una cienmilésima del ancho de un cabello humano.
"Ver mundos invisibles, mucho más pequeños que las longitudes de onda de la luz, es absolutamente fundamental para comprender la materia que estamos diseñando a nanoescala, no sólo en 2D sino también en 3D", dijo Robert Hovden, profesor asociado de ciencia e ingeniería de materiales. en la UM y autor correspondiente del estudio publicado en Nature Communications .
"Al aprovechar nuestro conocimiento del proceso de obtención de imágenes y adoptar un nuevo enfoque para la reconstrucción tomográfica, ahora podemos obtener imágenes simultáneamente de la estructura y la composición química con alta resolución en 3D. Este es un enfoque especialmente útil para materiales complejos y heterogéneos", dijo Mary. Scott, autor colaborador del estudio y profesor asociado Ted van Duzer del Departamento de Ciencia e Ingeniería de Materiales de UC Berkeley y científico del personal docente de la División de Fundición Molecular del Laboratorio Nacional Lawrence Berkeley.
Hasta este punto, los investigadores de nanomateriales han tenido que elegir entre obtener imágenes de la estructura en 3D o de la distribución química en 2D.
Ambas técnicas de obtención de imágenes utilizan un microscopio electrónico de transmisión de barrido, que acelera un haz de electrones de alta energía a través de un material de muestra. Estos electrones de alta energía pueden resolver estructuras a distancias menores que la longitud del enlace de los átomos. Sin embargo, las imágenes de alta resolución requieren una cantidad sustancial de dosis o energía para capturar de manera eficiente la estructura atómica o la química.
En la mayoría de los casos, la dosis requerida para la obtención de imágenes químicas se encuentra justo en el límite del material, donde las muestras comenzarán a derretirse si se exponen por más tiempo al haz. Esto es especialmente importante para las imágenes químicas en 3D, que requieren la adquisición de muchas imágenes químicas.
Las imágenes 3D a nanoescala funcionan de manera similar a una tomografía computarizada médica, donde el equipo gira alrededor de un paciente para recolectar imágenes en múltiples ángulos para ver las estructuras internas en 3D.
En cambio, con la tomografía electrónica (el método preferido para obtener imágenes en 3D a nanoescala), el haz de electrones permanece estacionario mientras la muestra se inclina a su alrededor. Sin embargo, esto viene con su propio conjunto de complicaciones, donde los investigadores no pueden obtener imágenes completas de su muestra y deben confiar en algoritmos de aprendizaje automático para predecir vistas en ángulos no disponibles.
"La estructura es una cosa, pero si quieres ver la capa de óxido en un transistor o la distribución de oxígeno en una nanopartícula diseñada para aplicaciones de energía limpia, necesitas ver la química a nanoescala, algo que no se puede obtener con la tomografía electrónica. solo", dijo Hovden.
Para superar el problema de la dosis de energía, el equipo de investigación desarrolló un nuevo proceso conocido como "tomografía electrónica multimodal" para recolectar imágenes en cada ángulo de inclinación, mientras que las imágenes químicas se recolectan escasamente cada pocas inclinaciones. Luego, un algoritmo multimodal toma la información para ambos tipos de señales y genera la estructura y la química 3D.
La mezcla de señales permite una reducción de la dosis de energía de aproximadamente 100 veces, lo que garantiza que la muestra no se destruya antes de que se complete la obtención de imágenes.
Los resultados demuestran que la técnica es capaz de obtener imágenes de compuestos orgánicos y metales simultáneamente, lo que demuestra el uso de la técnica en una amplia gama de materiales.
"Nuestra solución aprovecha todas las señales complementarias que están presentes en nuestro microscopio al promover la comunicación entre una señal que no requiere mucha dosis y una señal que requiere mucha dosis", dijo Jonathan Schwartz, doctor en ciencia e ingeniería de materiales de UM y autor principal del estudio.
Las dos técnicas de obtención de imágenes se basan en diferentes propiedades físicas de los electrones a medida que se mueven a través de un material. Las imágenes 3D se basan en la dispersión elástica, donde los electrones no pierden energía al pasar a través de la muestra. En las imágenes químicas, el haz de electrones de mayor energía aumenta la probabilidad de que se produzca el evento más raro de dispersión inelástica, donde los electrones pierden una cantidad específica de energía que refleja el elemento con el que chocaron, proporcionando una firma química única.
"Este es un enfoque radicalmente nuevo sobre cómo mezclamos y utilizamos señales de electrones dispersos elástica e inelásticamente", dijo Hovden.
Además de la distribución química, el resultado del aprendizaje automático incluso proporciona información sobre la estequiometría o las proporciones de elementos en el material. Por ejemplo, para cada motivo en óxido férrico (Fe2 O3 ), podría tener dos átomos de hierro por cada tres átomos de oxígeno, o tal vez podría tener dos átomos de hierro por cada dos átomos de oxígeno.
"Debido a que el algoritmo está tratando de descubrir la descomposición de los elementos presentes, captura bastante bien la proporción de las químicas. Eso fue algo que obtuvimos gratis como parte del proceso de optimización de nuestro algoritmo", dijo Schwartz, ahora científico en Chan. Instituto de Imágenes Zuckerberg.
Hovden atribuye el éxito de la técnica al aprovechamiento de la física, la ciencia de los materiales y la informática moderna.
"El primer paso es comprender la física de los electrones que interactúan con la materia bajo nuestro microscopio para cada detector. La informática vincula todos estos detectores para crear una imagen completa. Es un espacio completamente nuevo para jugar en este campo", dijo Hovden.
La combinación de dos señales diferentes para mejorar la información, también conocida como imágenes multimodales, está ganando terreno en los campos de la ingeniería. Las fugas de metano se pueden detectar y abordar mediante imágenes satelitales combinadas con sensores térmicos o químicos. Los coches autónomos combinan señales de sensores remotos, que proporcionan información del terreno, con señales del coche para mejorar la navegación.
"Este es uno de los primeros grandes resultados del poder de la multimodalidad en nuestro campo. Es apasionante seguir encontrando nuevas formas de ver la materia a estas pequeñas escalas", afirmó Hovden.
Más información: Jonathan Schwartz et al, Imágenes de química 3D con una resolución de 1 nm con tomografía electrónica multimodal fusionada, Nature Communications (2024). DOI:10.1038/s41467-024-47558-0
Información de la revista: Comunicaciones sobre la naturaleza
Proporcionado por la Facultad de Ingeniería de la Universidad de Michigan
