利用机器学习实现先进纳米尺度X射线分析：多组分信号分离与化学定量增强
材料科学
2024-05-24 v1 介观与纳米尺度物理
数据分析、统计与概率
仪器与探测器
摘要
能量色散X射线(EDX)光谱学在透射电子显微镜中是纳米材料分析的关键工具，提供了空间和化学信息之间的直接联系。然而，将其用于精确确定化学成分面临着来自低X射线产额的噪声数据和沿电子束轨迹重叠的相混合信号的挑战。在这里，我们介绍了一种新方法，基于非负矩阵分解的全色锐化(PSNMF)，以解决这些限制。利用EDX光谱噪声的泊松特性和分箱操作，PSNMF通过连续分解检索高质量的相光谱和空间特征。在用不同噪声水平的合成数据集验证PSNMF后，我们在两个不同的实验案例上展示了其有效性：一个纳米矿物薄片和负载型催化纳米颗粒。PSNMF不仅获得了准确的相特征，而且从输出重建的数据集比基准去噪方法主成分分析具有明显更低的噪声和更好的保真度。
引用
@article{arxiv.2405.14649,
title = {Leveraging Machine Learning for Advanced Nanoscale X-ray Analysis: Unmixing Multicomponent Signals and Enhancing Chemical Quantification},
author = {Hui Chen and Duncan T. L. Alexander and Cécile Hébert},
journal= {arXiv preprint arXiv:2405.14649},
year = {2024}
}