Simulating STEM Imaging of Nanoparticles in Micrometers-Thick Substrates
Notice bibliographique
Résumé
Scanning transmission electron microscope (STEM) images of three-dimensional (3D) samples were simulated. The samples consisted of a micrometer(s)-thick substrate and gold nanoparticles at various vertical positions. The atomic number (Z) contrast as obtained via the annular dark-field detector was generated. The simulations were carried out using the Monte Carlo method in the CASINO software (freeware). The software was adapted to include the STEM imaging modality, including the noise characteristics of the electron source, the conical shape of the beam, and 3D scanning. Simulated STEM images of nanoparticles on a carbon substrate revealed the influence of the electron dose on the visibility of the nanoparticles. The 3D datasets obtained by simulating focal series showed the effect of beam broadening on the spatial resolution and on the signal-to-noise ratio. Monte Carlo simulations of STEM imaging of nanoparticles on a thick water layer were compared with experimental data by programming the exact sample geometry. The simulated image corresponded to the experimental image, and the signal-to-noise levels were similar. The Monte Carlo simulation strategy described here can be used to calculate STEM images of objects of an arbitrary geometry and amorphous sample composition. This information can then be used, for example, to optimize the microscope settings for imaging sessions where a low electron dose is crucial for the design of equipment, or for the analysis of the composition of a certain specimen.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».