Вчені створили зображення атомів в рекордній роздільній здатності (фото)

Науковці говорять, що майже досягли межі роздільної здатності зображень в максимальних масштабах.

Дослідники з Корнельського університету зробили найчіткіші зображення атомів в історії. Завдяки новим алгоритмам шумозаглушення, зображення мають таку високу роздільну здатність, що, за словами команди, майже досягають максимально можливої ​​межі.

Дослідники отримали зображення атомів в кристалі ортоскандату празеодіму (PrScO3) зі збільшенням в 100 мільйонів разів. Атоми чітко видно як яскраві цятки, оточені червоними «хмарами», які розмиваються через теплове коливання самих атомів.

Команда, очолювана професором інженерних наук Девідом Мюллером, вдвічі перевершила власний рекорд за допомогою детектора матриці пікселів електронного мікроскопа (EMPAD), який включає в себе більш складні алгоритми тривимірної реконструкції.


У своїй роботі дослідники застосували метод багатозрізової електронної птихографії, який полягає в генерації зображень об'єкта, шляхом обчислювальної обробки безлічі інтерференційних картин, отриманих при розсіюванні світла від зразка.

Сам детектор EMPAD використовує розмитий промінь, щоб спочатку захопити ширший діапазон даних. Потім це розмиття коригується за допомогою серії алгоритмів, які відновлюють дані, в кінцевому підсумку створюючи зображення з роздільною здатністю в пікометр (10^-12 метрів) або однієї тисячної нанометра.

Фактично, команда визначила, що зображення наближаються до фізичних меж для максимально можливої роздільної здатності в цьому масштабі. Тим не менш, є кілька речей, які можна зробити, щоб зменшити розмитість при коливанні атомів - використовувати більш важкі атоми, які менше коливаються, або охолодити зразки до абсолютного нуля, де цей рух припиняється. Але навіть тоді квантові флуктуації все одно будуть давати певне розмиття.

Метод візуалізації можна також застосувати до товстих біологічних клітин і тканин або навіть до з'єднань синапсів в мозку. Хоча цей метод вимагає багато часу і обчислень, його можна було б зробити ефективнішим за допомогою більш потужних комп'ютерів в поєднанні з машинним навчанням і швидшими детекторами, як стверджують автори роботи.

---

© за матеріалами