Simulating STEM Imaging of Nanoparticles in Micrometers-Thick Substrates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle