要制造更好的電池，你可以從改進內部材料開始。研究人員通常首先使用同步加速器發出的高能 X 射線檢查新材料和化學品。但這是一個緩慢而乏味的過程。最近出現了一種令人驚訝的加速方法——砂紙（sandpaper）。

「主要動機實際上是試圖克服傳統化學成像方法的局限性。」該研究的研究人員之一、香港城市大學工程師 Jizhou Li 說。

砂紙插入 X 射線束的路徑，擾亂其在所研究的材料上投射的照明圖案。X 射線穿過樣品后，機器學習模型使用砂紙擾亂的圖案和生成的圖像來重建樣品的化學結構。這種砂紙增強的設置可以讓研究人員更快地獲得有價值的化學分辨率。

該研究以《Nanoscale chemical imaging with structured X-ray illumination》為題，于 2023 年 11 月 28 日發表在《PNAS》上。并將代碼發布到 GitHub。

論文鏈接：https://www.pnas.org/doi/10.1073/pnas.2314542120

GitHub 地址：https://github.com/YijinLiu-Lab/NxSCI

雙管齊下

Li 和他的同事在位于加利福尼亞州門洛帕克的 SLAC 國家加速器實驗室的 SSRL 同步加速器中使用 X 射線束。他們收集了兩種類型的成像數據：一個電荷耦合器件探測器從穿過它的 X 射線中捕獲樣品結構的二維圖像，另一個探測器測量樣品的熒光——被光束激發的原子發出的二手 X 射線。

這種雙管齊下的方法在 X 射線成像中相當常見。研究人員可以利用樣品的熒光信號來探測樣品內的化學元素。但由于熒光信號只有一維，而不是圖像的二維，因此收集熒光信號可能會很慢且效率低下。例如，假設您想要使用 X 射線重建樣品的化學成分以形成 2D 圖像。您可能必須逐點單獨聚焦 X 射線束，或在樣品上進行光柵掃描。

Li ?的團隊發現砂紙可以解決這種減速問題。研究人員通過在 X 射線源和樣品之間滑動兩個砂紙擴散器來修改光束設置。砂紙的砂粒將 X 射線束變成星云狀的 X 射線涂片。

那么，該設置計算方面的第一步是建立對涂抹圖案應該是什么的逐像素估計。然后拍攝樣品的 2D 涂片 X 射線圖像以及一維熒光信號，無需光柵化。毫不夸張地說，下一階段就是自監督機器學習的出現。研究人員將二維圖像、砂紙擾亂的照明圖案和一維熒光信號輸入神經網絡。然后，網絡預測每個像素的熒光信號，以生成圖像中元素成分的圖。研究人員將這一過程與增強合影中模糊面孔的過程進行了比較。

查看電池化學成分等

砂紙是他們算法的關鍵部分。為了拼湊化學圖像，機器學習模型依賴于砂紙在樣品上投射的偽隨機圖案來創建所謂的結構化 X 射線。「我們可以利用隨機性，」Li 說。通過交換具有不同粒度的砂紙的不同幻燈片，研究人員可以創建不同的照明模式并對同一樣本進行多次成像。

Li 和他的同事在電池樣本上測試了該技術。該電池的陰極是三種不同含鋰材料的混合物。但砂紙技巧卻挑出了這三者中每一個的納米級顆粒。

Li 說，他之前研究電池的經驗促使研究人員使用電池來進行概念驗證。他認為該技術不僅可以識別出元素，還可以識別出它們的氧化態，這使其成為電池成像的最佳選擇。他補充說，該技術還有很多其他用途：例如，生物醫學研究，使用同步加速器 X 射線對細胞、組織等進行成像。

結構化 X 射線方法是研究人員如何應用計算來創建更好的成像的一個例子，而無需顯著改變生成 X 射線的龐大且昂貴的底層基礎設施。Li 希望通過使用實驗室規模的 X 射線源而不是 SLAC 等罕見的明亮同步加速器來測試該技術，從而使科學家更容易使用該技術。

「現在，我們在同步加速器環境中實現了它，因為同步加速器光非常強大，」Li 說。「原則上，這種裝置也可以應用于實驗室 X 射線源。」