Abstract
Elektronentomografie is een hulpmiddel van onschatbare waarde voor het karakteriseren van de 3D-structuur van nanomaterialen. Onlangs is er aanzienlijke vooruitgang geboekt in de richting van realtime en snelle benaderingen voor het bepalen van de 3D-morfologie van nanodeeltjes. Deze omvatten quasi-3D-beeldvorming,[1] morfologische beeldvorming met secundaire elektronenbundel-geïnduceerde stroom (SEEBIC)[2] en snelle tomografie.[3] Deze technieken op zichzelf zijn echter onvoldoende voor bulkanalyse van materiaaleigenschappen of karakterisering van monsters met structuren die snel veranderen, zoals als straalgevoelige MOF's en perovskieten.
Hierin willen we het gebruik van deze technieken onderzoeken in combinatie met computationele technieken zoals real-time neurale stralingsvelden (NERF's) en machine learning[4] om realtime analyses van tijdgevoelige nanomaterialen uit te voeren. Eén van die manieren zou zijn om snelle tomografie met NERF's te gebruiken om snel een 3D-scène te extraheren die kan worden omgezet naar een 3D-volume voor verdere analyse, of om machine learning te gebruiken met Fourier-domeinfilters en multiprocessing om real-time reconstructies met lage resolutie te verkrijgen voor analyse terwijl reconstructies met hogere resolutie worden berekend.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)