Unmixing noisy co-registered spectrum images of multicomponent nanostructures
Notice bibliographique
Résumé
Analytical electron microscopy plays a key role in the development of novel nanomaterials. Electron energy-loss spectroscopy (EELS) and energy-dispersive X-ray spectroscopy (EDX) datasets are typically processed to isolate the background-subtracted elemental signal. Multivariate tools have emerged as powerful methods to blindly map the components, which addresses some of the shortcomings of the traditional methods. Here, we demonstrate the superior performance of a new multivariate optimization method using a challenging EELS and EDX dataset. The dataset was recorded from a spectrum image P-type metal-oxide-semiconductor stack with 7 components exhibiting heavy spectral overlap and a low signal-to-noise ratio. Compared to peak integration, independent component analysis, Baysian Linear Unmixing and Non-negative matrix factorization, the method proposed was the only one to identify the EELS spectra of all 7 components with the corresponding abundance profiles. Using the abundance of each component, it was possible to retrieve the EDX spectra of all the components, which were otherwise impossible to isolate, regardless of the method used. We expect that this robust method will bring a significant improvement for the chemical analysis of nanomaterials, especially for weak signals, dose-sensitive specimen or signals suffering heavy spectral overlap.
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 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 | 0,000 | 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) | 0,001 | 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 tête enseignante, 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 ».