RapidEELS: aprendizaje automático para la eliminación de ruido y clasificación en la espectroscopia de pérdida de energía de electrones de adquisición rápida

Los avances recientes en detectores para imágenes y espectroscopia han permitido la adquisición rápida y en situ de datos hiperespectrales. Aunque las velocidades de adquisición de datos de espectroscopia de pérdida de energía de electrones (EELS) con conteo de electrones están alcanzando regularmente 400 fotogramas por segundo con ruido de lectura casi cero, la relación señal-ruido (SNR) sigue siendo un desafío debido a las estadísticas fundamentales de conteo. Para avanzar en la comprensión de los fenómenos materiales transitorios durante la adquisición rápida de EELS, se debe demostrar un análisis confiable de espectros ruidosos. En este estudio, aplicamos técnicas de aprendizaje automático para eliminar el ruido de espectros de alta tasa de fotogramas, utilizando como referencia "verdades fundamentales" de tasa de fotogramas más lenta. Los resultados proporcionan una base para el uso confiable de datos de bajo SNR adquiridos en experimentos de espectroscopia rápida y en situ. Este conjunto de herramientas es un primer paso tanto hacia la automatización en microscopía como hacia el uso de estos métodos para interrogar transformaciones que de otro modo se comprenden mal.