Atomen zijn de basisbouwstenen voor alle materialen. Om functionele eigenschappen aan te passen, het is essentieel om hun atomaire structuren nauwkeurig te bepalen. KAIST-onderzoekers observeerden de 3D-atomaire structuur van een nanodeeltje op atoomniveau via neurale netwerkondersteunde atomaire elektronentomografie.

Met behulp van een platina nanodeeltje als modelsysteem, een onderzoeksteam onder leiding van professor Yongsoo Yang toonde aan dat een op atoomvorming gebaseerde diepgaande leerbenadering de atomaire structuur van het 3D-oppervlak betrouwbaar kan identificeren met een precisie van 15 picometer (slechts ongeveer 1/3 van de straal van een waterstofatoom). De atomaire verplaatsing, deformatie, en facetanalyse onthulde dat de atomaire structuur en spanning van het oppervlak gerelateerd zijn aan zowel de vorm van het nanodeeltje als het deeltje-substraatinterface. Dit onderzoek werd gerapporteerd in Natuurcommunicatie .

Gecombineerd met kwantummechanische berekeningen zoals dichtheidsfunctionaaltheorie, het vermogen om de atomaire structuur van het oppervlak nauwkeurig te identificeren, zal dienen als een krachtige sleutel voor het begrijpen van katalytische prestaties en oxidatie-effect.

"We hebben het probleem opgelost om de 3D-atomaire oppervlaktestructuur van nanomaterialen op een betrouwbare manier te bepalen. Het was moeilijk om de atomaire oppervlaktestructuren nauwkeurig te meten vanwege het 'missing wedge-probleem' in elektronentomografie, die voortkomt uit geometrische beperkingen, waardoor slechts een deel van een volledig tomografisch hoekbereik kan worden gemeten. We hebben het probleem opgelost met behulp van een op deep learning gebaseerde aanpak, " legde professor Yang uit.

Het ontbrekende wigprobleem resulteert in rek- en ringartefacten, negatieve invloed op de nauwkeurigheid van de atomaire structuur bepaald op basis van het tomogram, vooral voor het identificeren van de oppervlaktestructuren. Het probleem van de ontbrekende wig is de belangrijkste wegversperring geweest voor de precieze bepaling van de atomaire 3D-oppervlaktestructuren van nanomaterialen.

Het team gebruikte atomaire elektronentomografie (AET), wat in feite een CT-scan met zeer hoge resolutie is voor nanomaterialen met behulp van transmissie-elektronenmicroscopen. AET maakt individuele atoomniveau 3D atomaire structurele bepaling mogelijk.

"Het belangrijkste idee achter deze op diep leren gebaseerde benadering is atomiciteit - het feit dat alle materie uit atomen bestaat. Dit betekent dat een elektronentomogram met echte atomaire resolutie alleen scherpe 3D-atoompotentialen mag bevatten die zijn geconvolueerd met het elektronenstraalprofiel, ’ zei professor Yang.

"Een diep neuraal netwerk kan worden getraind met behulp van gesimuleerde tomogrammen die last hebben van ontbrekende wiggen als input, en de grondwaarheid 3D-atoomvolumes als doelen. Het getrainde deep learning-netwerk vergroot effectief de imperfecte tomogrammen en verwijdert de artefacten die het gevolg zijn van het ontbrekende wigprobleem."

De precisie van de 3D-atoomstructuur kan met bijna 70% worden verbeterd door augmentatie op basis van deep learning toe te passen. De nauwkeurigheid van de identificatie van oppervlakte-atomen was ook aanzienlijk verbeterd.

Structuur-eigenschap relaties van functionele nanomaterialen, vooral degenen die sterk afhankelijk zijn van de oppervlaktestructuren, zoals katalytische eigenschappen voor brandstofceltoepassingen, kan nu worden onthuld op een van de meest fundamentele schalen:de atomaire schaal.

Professor Yang concludeerde, "We willen de 3D-atoomstructuur volledig in kaart brengen met een hogere precisie en een betere elementaire specificiteit. En niet beperkt tot atomaire structuren, we streven naar het meten van de fysieke, chemisch, en functionele eigenschappen van nanomaterialen op 3D-atomaire schaal door het verder ontwikkelen van elektronentomografietechnieken."