A IA melhora a análise química na nanoescala

Cientistas da EPFL desenvolveram uma técnica baseada em IA para melhorar a análise química de nanomateriais, superando os desafios de dados ruidosos e sinais mistos.

“Nanomateriais” é um termo amplo usado para descrever substâncias químicas ou materiais nos quais uma única unidade tem tamanho entre 1 e 100 nanômetros (um nanômetro é um bilionésimo de um metro). Eles incluem materiais exóticos, como nanotubos de carbono, nanopartículas de prata (usadas como antimicrobianos), materiais nanoporosos e muitos tipos de catalisadores usados ​​para conduzir eficientemente reações químicas.

Os nanomateriais são atualmente usados ​​em uma ampla gama de campos, da medicina à eletrônica, o que significa que a capacidade de determinar sua composição química exata é essencial. No entanto, isso se mostra desafiador, porque os métodos tradicionais para analisar nanomateriais tendem a ser suscetíveis a baixas relações sinal-ruído.

Por exemplo, um método amplamente utilizado é a espectroscopia de raios X de energia dispersiva (EDX), combinada com microscopia eletrônica de transmissão de varredura. Essa técnica fornece mapas detalhados de onde diferentes elementos estão localizados dentro de uma amostra, mas frequentemente produz dados ruidosos, especialmente em objetos tão pequenos, e sinais mistos quando diferentes materiais se sobrepõem, dificultando a análise química precisa.

Os dados ruidosos são geralmente “limpos” com várias técnicas, desde filtragem espacial simples até abordagens de aprendizado de máquina mais sofisticadas, como análise de componentes principais, que separam os sinais do ruído, mas elas também têm suas desvantagens. Por exemplo, elas podem introduzir erros ou ter dificuldade para distinguir entre sinais químicos quando eles são muito semelhantes.

Agora, três cientistas da EPFL, Hui Chen, Duncan Alexander e Cécile Hébert, desenvolveram um método baseado em aprendizado de máquina chamado PSNMF (“non-negative matrix factorization-based pan-sharpening”) que melhora a clareza e a precisão dos dados EDX, facilitando a identificação e a quantificação de diferentes elementos químicos em nanomateriais.

O trabalho deles é publicado na revista Letras Nano.

A equipe começou alavancando uma característica especial de seus dados chamada “ruído de Poisson”. Esse tipo de ruído ocorre porque a detecção de fótons de raios X é aleatória. Quando o feixe de elétrons atinge a amostra, ele produz fótons de raios X, mas o número detectado varia aleatoriamente a cada vez, criando um padrão ruidoso e granulado conhecido como ruído de Poisson.

Para melhorar a clareza dos dados, os pesquisadores combinaram dados de pixels próximos, melhorando a relação sinal-ruído no espectro em detrimento da resolução espacial.

Eles então aplicaram um método de aprendizado de máquina chamado “fatoração de matriz não negativa” (NMF) a esse conjunto de dados mais claro. NMF é uma técnica matemática que divide um grande conjunto de dados em partes menores e mais simples, garantindo que todas as partes sejam não negativas, o que ajuda a identificar padrões nos dados. Essa abordagem deu a eles bons dados espectrais ao custo de ter imagens borradas com pixels grandes.

Em seguida, eles repetiram o processo NMF no conjunto de dados original de alta resolução para preservar informações espaciais detalhadas, mas inicializando a fatoração com os componentes espectrais previamente identificados. Finalmente, eles combinaram os resultados de ambas as etapas para produzir um conjunto de dados de alta qualidade que tem alta fidelidade espectral e alta resolução espacial.

Os pesquisadores validaram o PSNMF usando dados sintéticos, computados graças a um algoritmo de modelagem desenvolvido em laboratório. Esses dados imitaram desafios do mundo real, como analisar amostras minerais formadas sob condições extremas. O método provou ser altamente eficaz, identificando e separando com precisão diferentes materiais, mesmo aqueles em quantidades minúsculas.

Quando aplicado a amostras reais, incluindo um nanomineral e um nanocatalisador, o PSNMF separou e quantificou com sucesso materiais sobrepostos. Essa análise precisa é crucial para entender e desenvolver novas tecnologias que dependem dessas nanoestruturas complexas.

O PSNMF é uma melhoria significativa na análise química em nanoescala. Ao fornecer resultados precisos apesar de dados ruidosos e sinais sobrepostos, esse método aumenta nossa capacidade de estudar e utilizar nanomateriais em vários campos, desde eletrônicos avançados até dispositivos médicos.