O aprendizado de máquina revela ressonâncias nanofotônicas ocultas em nanopilares de silício-ouro

Um novo fluxo de trabalho de aprendizado de máquina ajuda a decodificar dados EELS de baixa perda, transformando espectros ruidosos em nanoescala em mapas espaciais de ressonâncias ópticas que moldam materiais nanofotônicos híbridos de próxima geração.

Papel: Estratégia de aprendizagem automática altamente eficiente para caracterização de enguias com baixas perdas: ressonâncias nanofotónicas como estudo de caso. Crédito da imagem: imagem gerada por IA / OpenAI

Em um artigo de pesquisa recente publicado na revista Materiais Computacionais npjos pesquisadores desenvolveram uma estratégia de aprendizado de máquina altamente eficiente que combina algoritmos não supervisionados e supervisionados para classificar e interpretar espectroscopia de perda de energia de elétrons de baixa perda (ENGUIAS) dados e mapear espacialmente ressonâncias nanofotônicas complexas em nanopilares de silício/ouro.

Desafios da espectroscopia em nanoescala

A caracterização de materiais em nanoescala geralmente depende da investigação de suas propriedades físicas, químicas e eletrônicas com alta resolução espacial. Espectroscopia de perda de energia eletrônica (EELS) combinada com microscopia eletrônica de transmissão de varredura (TRONCO) é uma técnica inestimável nesse sentido, fornecendo espectros resolvidos espacialmente que refletem as propriedades do materials.

Particularmente, a região de baixa perda dos espectros EELS (abaixo de 50 eV) contém informações sobre excitações coletivas, como plasmons e ressonâncias de Mie, bem como transições eletrônicas inter e intra-bandas e excitações de fônons. Essas excitações de baixa energia são cruciais para a compreensão dos efeitos nanofotônicos em nanoestruturas híbridas de metal-semicondutores.

No entanto, a análise de dados EELS de baixa perda é um desafio devido a vários fatores inerentes ao regime em nanoescala: ressonâncias espectrais sobrepostas, o intenso pico de perda zero (ZLP) que mascara recursos próximos e baixa relação sinal-ruído em pequenos volumes.

Métodos de análise tradicionais, como Análise de Componentes Principais (PCA) e fatoração de matriz não negativa (NMF) auxiliam na eliminação de ruído e na redução da dimensionalidade, mas muitas vezes carecem de aprendizagem adaptativa e capacidades preditivas.

Com os avanços recentes gerando conjuntos de dados grandes e complexos, implementando aprendizado de máquina automatizado e robusto (AM) estratégias adaptadas para EELS de baixa perda são necessárias para permitir uma caracterização mais precisa e eficiente de ressonâncias nanofotônicas e outras excitações.

Representação esquemática e imagens SEM do processo de fabricação dos nanopilares de Si/Au por litografia coloidal. (a) Matriz de nanoesferas de poliestireno montadas homogeneamente na superfície de Au no topo da pastilha de silício. (b) Nanodiscos de Au obtidos por Ar RIE usando as nanoesferas como máscaras. (c) Nanopilares de Si / Au obtidos por Si RIE profundo usando os nanodiscos de Au como máscaras. (d) Nanopilares após sua liberação do substrato por ultrassons.

Fluxo de trabalho de aprendizado de máquina

A primeira etapa emprega aproximação e projeção de variedade uniforme (UMAP), um algoritmo de redução de dimensionalidade não linear, para transformar os dados espectrais de alta dimensão em um espaço de dimensão inferior, preservando as complexas relações não lineares características dos sinais EELS de baixa perda.

Posteriormente, clustering espacial hierárquico baseado em densidade de aplicativos com ruído (HDBScan), um método de agrupamento não supervisionado, é aplicado às representações reduzidas para identificar agrupamentos correspondentes a diferentes perfis espectrais locais.

Devido à presença de outliers ou padrões espectrais raros, uma etapa ultimate de classificação supervisionada usando Assist Vector Machines (SVM) é introduzido para reclassificar esses pontos ambíguos, aproveitando os clusters obtidos pelo HDBSCAN como dados de treinamento rotulados. Este fluxo de trabalho híbrido não supervisionado e supervisionado permite a classificação quase em tempo actual de grandes conjuntos de dados e oferece suporte à transferibilidade para novos mapas EELS adquiridos sob condições experimentais comparáveis, sem retreinamento do zero.

Experimentalmente, nanopilares de Si / Au foram fabricados usando litografia coloidal e ataque iônico reativo, produzindo nanopilares de Si dopados com p com aproximadamente 200 nm de diâmetro e 2 μm de comprimento, cobertos com nanodiscos de Au com 75 nm de espessura. As medições STEM-EELS foram realizadas a 60 keV com alta resolução espacial, produzindo imagens de espectro que capturam ressonâncias nanofotônicas espacialmente localizadas.

Domínio do tempo de diferenças finitas complementares (FDTD) simulações modelaram a absorção óptica dos nanopilares sob iluminação de ondas planas para correlacionar ressonâncias EELS com modos eletromagnéticos, ao mesmo tempo que reconhecem que EELS pode sondar modos adicionais além daqueles excitados por ondas planas.

Insights de mapeamento de ressonância

A aplicação da análise combinada UMAP-HDBSCAN-SVM a dados EELS de alta resolução e baixa perda revelou clusters distintos que poderiam estar associados a ressonâncias nanofotônicas espacialmente localizadas dentro dos nanopilares de Si / Au. O método separou efetivamente regiões de vácuo/fundo e nanopilares de áreas que exibiam ressonâncias plasmônicas, híbridas e dielétricas características após exclusão de ZLP.

Notavelmente, os espectros EELS próximos a 2, 45 eV localizados no nanodisco de Au foram interpretados não como um único modo óptico, mas sim como um aglomerado de ressonâncias estreitamente espaçadas, consistente com simulações de FDTD e possivelmente influenciadas por transições interbandas conhecidas em Au. Isso ilustra a capacidade da estratégia de ML de resolver aglomerados complexos de ressonância em nanoescala que são difíceis de distinguir com abordagens convencionais.

Um teste de reprodutibilidade em uma imagem de espectro independente da borda de outro nanopilar confirmou a robustez da estratégia, identificando com sucesso clusters de características semelhantes e modos nanofotônicos relacionados.

Análises adicionais de imagens de menor ampliação, onde a resolução espacial e a intensidade do sinal foram reduzidas, demonstraram que, apesar dessas limitações, a abordagem ainda detectou e localizou ressonâncias nanofotônicas, destacando sua sensibilidade e adaptabilidade a diversas condições experimentais. No entanto, os dados de resolução mais baixa não conseguiram resolver os detalhes de ressonância mais sutis observados em medições de alta resolução.

O estágio SVM supervisionado provou ser basic para estender o agrupamento não supervisionado, atribuindo espectros discrepantes dentro do conjunto de dados a courses apropriadas, melhorando assim a integridade e a precisão da classificação. Sua capacidade de generalizar de um conjunto de dados para aquisições independentes sob condições experimentais semelhantes sugere ainda a aplicabilidade para interpretação rápida de dados EELS em tempo actual.

A combinação de STEM-EELS de alta resolução espacial com esta estrutura de ML eficiente abre novos caminhos para desvendar fenômenos nanofotônicos complexos, incluindo hibridização plasmon-Mie e acoplamento de modo dielétrico em nanoestruturas híbridas.

Esquema de fabricação de nanopilares de Si/Au. Ar RIE para criar nanodiscos de Au no wafer de Si usando esferas de poliestireno como máscaras. RIE profundo (processo Bosch) para formar nanopilares de Si usando os discos de Au como máscaras. Liberação dos nanopilares de Au/Si do wafer de Si por ultrassonicação e esquema das dimensões. Crédito da imagem: Adaptado de Costa-Ledesma, V., del-Pozo-Bueno, D., Coll, C. et al. (2026). Estratégia de aprendizado de máquina altamente eficiente para caracterização de EELS de baixas perdas: ressonâncias nanofotônicas como estudo de caso. Materiais Computacionais npj. DOI: 10.1038/s41524-026-02171-1. Licenciado sob CC BY 4.0.

Avanços e Aplicações

Este estudo demonstra uma estratégia de aprendizado de máquina altamente eficiente combinando UMAP para redução de dimensionalidade, HDBSCAN para clustering não supervisionado e SVM para refinamento supervisionado para analisar imagens do espectro EELS de baixa perda de estruturas híbridas de metal-semicondutores em nanoescala.

A metodologia apresenta robustez em diferentes conjuntos de dados e condições experimentais, incluindo medições de menor ampliação, e fornece um modelo transferível para classificação rápida de novas aquisições de EELS quando as condições experimentais são comparáveis.

Ao permitir a classificação automatizada quase em tempo actual e apoiar a interpretação de modos de excitação complexos em nanoescala, este trabalho abre caminho para a caracterização avançada de materiais nanoestruturados.

Baixe sua cópia em PDF clicando aqui.