Электронная микроскопия является одним из наиболее широко используемых методов изучения структуры материалов, биологических объектов и сложных химических систем различного масштаба, достигая даже мономолекулярного уровня. Разработка современных нанотехнологий, каталитических систем, а также производств полупроводников и топливных элементом невозможно представить без электронной микроскопии. Одним из наиболее интересных и перспективных направлений исследований в области электронной микроскопии является анализ видеофрагментов, полученных с помощью электронного микроскопа, которые отражают эволюцию морфологии исследуемых образцов. Такой подход позволяет изучать динамику различных систем и делать выводы о взаимосвязи структура-свойство. Однако генерируемые в ходе этих экспериментов большие объемы данных крайне трудно обрабатывать вручную. Перспективным решением этой проблемы представляется использование методов машинного обучения.

В последние год ученые Лаборатории металлокомплексных и наноразмерных катализаторов ИОХ РАН активно работают над внедрением методов машинного обучения для анализа больших массивов экспериментальных данных. В одном из своих последних исследований им удалось разработать основу для анализа данных электронной микроскопии в реальном времени. Эффективную обработку данных обеспечивает целый комплекс модулей шумоподавления, бинаризации, сегментации и отслеживания. Разработанная вычислительная база имеет особое значение и применимость в жидкофазных системах. Экспериментальная проверка предложенного подхода привела к открытию анизотропного эффекта электронного пучка в микроструктурированных жидких системах. В качестве предварительного объяснения этого явления можно предположить, что неоднородное взаимодействие сфокусированного электронного пучка с образцом, происходящее из-за специфической формы диаграммы сканирования, обычно используемой в сканирующей электронной микроскопии, приводит к формированию неравновесных жидкостных зон, расположенных вдоль направления движения луча. Обнаружение такого эффекта открыло новые возможности прямого управления состоянием микрофазной системы путем изменения схемы съемки.

Публикация: Daniil A. Boiko, Alexey S. Kashin, Vyacheslav R. Sorokin, Yury V. Agaev, Roman G. Zaytsev, Valentine P. Ananikov Analyzing ionic liquid systems using real-time electron microscopy and a computational framework combining deep learning and classic computer vision techniques // J. Mol. Liq., 2023, 121407. DOI: 10.1016/j.molliq.2023.121407.

Источник: ИОХ РАН.