Sfruttando un algoritmo di apprendimento intelligente che fonde due segnali microscopici, i ricercatori dell’Università del Michigan hanno realizzato per la prima volta un imaging chimico 3D efficiente ed ad alta risoluzione su scala di un nanometro. Per contestualizzare, un nanometro è un milionesimo di millimetro o un centomillesimo della larghezza di un capello umano.
"Vedere mondi invisibili, molto più piccoli delle lunghezze d'onda della luce, è assolutamente fondamentale per comprendere la materia che stiamo ingegnerizzando su scala nanometrica, non solo in 2D ma anche in 3D", ha affermato Robert Hovden, professore associato di scienza e ingegneria dei materiali. presso UM e autore corrispondente dello studio pubblicato su Nature Communications .
"Sfruttando la nostra conoscenza del processo di imaging e adottando un nuovo approccio alla ricostruzione tomografica, siamo ora in grado di visualizzare simultaneamente la struttura e la composizione chimica con alta risoluzione in 3D. Questo è un approccio particolarmente utile per materiali complessi ed eterogenei", ha affermato Mary Scott, autore collaboratore dello studio e professore associato Ted van Duzer del Dipartimento di scienza e ingegneria dei materiali dell'UC Berkeley e scienziato della facoltà presso la divisione di fonderia molecolare del Lawrence Berkeley National Laboratory.
Fino a questo punto, i ricercatori sui nanomateriali hanno dovuto scegliere tra l'imaging della struttura 3D o la distribuzione chimica 2D.
Entrambe le tecniche di imaging utilizzano un microscopio elettronico a trasmissione di scansione, che accelera un fascio di elettroni ad alta energia attraverso un materiale campione. Questi elettroni ad alta energia possono risolvere strutture a distanze inferiori alla lunghezza del legame degli atomi. Tuttavia, l'imaging ad alta risoluzione richiede una notevole quantità di dose, o energia, per catturare in modo efficiente la struttura o la chimica atomica.
Molto spesso, la dose richiesta per l'imaging chimico è proprio al limite del materiale, per cui i campioni inizieranno a sciogliersi se esposti più a lungo al raggio. Ciò è particolarmente importante per l'imaging chimico 3D, che richiede l'acquisizione di molte immagini chimiche.
L'imaging 3D su nanoscala funziona in modo simile a una scansione TC medica, in cui l'apparecchiatura ruota attorno a un paziente per raccogliere immagini da più angolazioni per visualizzare le strutture interne in 3D.
Invece con la tomografia elettronica, il metodo preferito per l’imaging 3D su scala nanometrica, il fascio di elettroni rimane stazionario mentre il campione si inclina attorno ad esso. Tuttavia, ciò comporta una serie di complicazioni, in quanto i ricercatori non sono in grado di ottenere un'immagine completa del loro campione e devono fare affidamento su algoritmi di apprendimento automatico per prevedere le viste da angoli non disponibili.
"La struttura è una cosa, ma se vuoi vedere lo strato di ossido su un transistor o la distribuzione dell'ossigeno in una nanoparticella progettata per applicazioni di energia pulita, devi vedere la chimica su scala nanometrica, cosa che non puoi ottenere dalla tomografia elettronica da solo", ha detto Hovden.
Per superare il problema della dose di energia, il gruppo di ricerca ha sviluppato un nuovo processo noto come “tomografia elettronica multimodale” per raccogliere immagini ad ogni angolo di inclinazione mentre le immagini chimiche vengono raccolte scarsamente ogni poche inclinazioni. Un algoritmo multimodale prende quindi le informazioni per entrambi i tipi di segnale e restituisce la struttura 3D e la chimica.
La miscelazione dei segnali consente una riduzione della dose di energia di circa 100 volte, garantendo che il campione non venga distrutto prima del completamento dell'imaging.
I risultati dimostrano che la tecnica è in grado di acquisire immagini sia di composti organici che di metalli contemporaneamente, dimostrando l'uso della tecnica su un'ampia gamma di materiali.
"La nostra soluzione sfrutta tutti i segnali complementari presenti nel nostro microscopio promuovendo la comunicazione tra un segnale che non richiede molta dose e un segnale che richiede molta dose", ha affermato Jonathan Schwartz, dottorato in scienza e ingegneria dei materiali presso la UM e autore principale dello studio.
Le due tecniche di imaging si basano su diverse proprietà fisiche degli elettroni mentre si muovono attraverso un materiale. L'imaging 3D si basa sulla diffusione elastica, in cui gli elettroni non perdono energia mentre passano attraverso il campione. Nell'imaging chimico, il fascio di elettroni a energia più elevata aumenta la probabilità dell'evento più raro di diffusione anelastica, in cui gli elettroni perdono una quantità specifica di energia che riflette l'elemento con cui sono entrati in collisione, fornendo una firma chimica unica.
"Si tratta di un approccio radicalmente nuovo al modo in cui mescoliamo e utilizziamo i segnali di elettroni diffusi in modo elastico e anelastico", ha affermato Hovden.
Oltre alla distribuzione chimica, l'output del machine learning fornisce anche informazioni sulla stechiometria, ovvero sui rapporti degli elementi nel materiale. Ad esempio, per ogni motivo nell'ossido ferrico (Fe2 O3 ), potresti avere due atomi di ferro per ogni tre atomi di ossigeno, oppure potresti avere due atomi di ferro per ogni due atomi di ossigeno.
"Poiché l'algoritmo cerca di capire la decomposizione degli elementi presenti, cattura abbastanza bene il rapporto tra le sostanze chimiche. Questo è stato qualcosa che abbiamo ottenuto gratuitamente come parte del processo di ottimizzazione del nostro algoritmo", ha affermato Schwartz, ora scienziato presso il Chan Istituto di imaging Zuckerberg.
Hovden attribuisce il successo della tecnica allo sfruttamento della fisica, della scienza dei materiali e dell'informatica moderna.
"Il primo passo è comprendere la fisica degli elettroni che interagiscono con la materia sotto il nostro microscopio per ciascun rilevatore. L'informatica collega tutti questi rilevatori insieme per creare un'immagine completa. È uno spazio completamente nuovo in cui giocare in questo campo", ha affermato Hovden.
La combinazione di due segnali diversi per migliorare le informazioni, nota anche come imaging multimodale, sta guadagnando terreno nei campi dell'ingegneria. Le perdite di metano possono essere rilevate e affrontate utilizzando l’imaging satellitare combinato con il rilevamento termico o chimico. Le auto a guida autonoma combinano segnali di telerilevamento, che forniscono informazioni sul terreno, con segnali provenienti dall'auto per migliorare la navigazione.
"Questo è uno dei primi grandi risultati del potere della multimodalità nel nostro campo. È entusiasmante trovare ancora nuovi modi di vedere la materia su scala così piccola", ha affermato Hovden.
Ulteriori informazioni: Jonathan Schwartz et al, Imaging di chimica 3D con risoluzione di 1 nm con tomografia elettronica multimodale fusa, Nature Communications (2024). DOI:10.1038/s41467-024-47558-0
Informazioni sul giornale: Comunicazioni sulla natura
Fornito dal College of Engineering dell'Università del Michigan
