میکروسکوپ‌های پروب روبشی با توجه به داشتن کاربری آسان و غیر تهاجمی
بودن ساختار تصویربرداری و ایجاد امکان دستکاری در مقیاس اتمی و نانومتری،
تاکنون یکی از ابزارهای اصلی و عمده در علم و فناوری‌نانو به شمار می‌آمده‌است.
اخیراً استفاده از روش‌های تصویربرداری آماری مبتنی بر آنالیز قطعه‌ی اصلی (PCA)،
این امکان را فراهم آورده‌است که بتوان به بررسی تشابهات ذاتی پاسخ‌ها پرداخته،
به این ترتیب به توزیع فضایی ترکیبات شیمیایی ماده پی برد.
داده‌های به دست‌آمده از میکروسکوپ‌های نیروی مغناطیسی و پاسخ پیزوالکتریکی
تحریک باندی (که با روش PCA به دست آمده‌است) به ما در آشکار کردن مراکز
پراکندگی فضایی موضعی انرژی کمک می‌کند. این میکروسکوپ‌ها علاوه بر
تصویربرداری‌های توپوگرافیکی، کاربردهای بسیار گسترده‌ی دیگری هم در بررسی خواص
الکتریکی، مغناطیسی و مکانیکی (در مقیاسی در حد چند ده نانومتر) دارند و به کمک
آنها امکان شناخت ترکیبات شیمایی و کاربرد مواد و برهم‌کنش‌های آنها در مقیاس
نانو فراهم می‌شود.
در مدهای تصویربرداری تنها یک شاخص یا شاخص‌های محدودی به دست می‌آیند که به
توصیف خواص موضعی ماده مربوط می‌شوند و تفسیر اطلاعات حاصله از تصاویر تکمیلی
نیز معمولاً تنها در همان محدوده‌ی بررسی‌های اولیه تفسیر می‌شوند. در مدهای
طیف‌نگاری هم رابطه‌ی فضایی بین نقاط مجاور معمولاً نادیده گرفته می شوند.
در سال‌های اخیر دانشمندان سعی در ترکیب این دو روش داشته، به پیشرفت‌های قابل
توجهی هم دست یافته‌اند که به‌عنوان نمونه می‌توان به روش‌های طیف‌نگاری چند
مدی متنوع (از قبیل SPM تحریک دوگانه‌ی فرکانس (مربوط به شرکت آسیلوم)،
هارمونیکس (مربوط به شرکت وییکو) و نیز روش قفل درونی قابل تمایز چند فرکانسی
(به‌وسیله‌ی شرکت آجیلنت و نانوایس ) اشاره نمود. همچنین پدید آمدن الکترونیک
آرایه‌ی گیت‌های دیجیتالی قابل برنامه‌دهی میدانی، میزان دست‌یابی به داده‌ها و
سرعت پردازش را به نحو قابل توجهی افزایش داده، امکان در اختیار داشتن چندین
کانال اطلاعاتی را بدون آنکه تأثیری بر سرعت تصویربرداری بگذارد فراهم
کرده‌است؛ اما یکی از مشکلات این شیوه نبود امکان تحلیل چند کانال داده‌ی موازی
و در نتیجه وارد شدن بار اطلاعاتی بیش از حد به ناظر انسانی است.
اخیراً دو محقق روسی و امریکایی به نام‌های سرگی وی کانیلین و استفان جیسی با
ابداع روشی برای تحلیل داده‌های تصویربرداری طیف‌نگاری چندبعدی (که به
شیوه‌یPCA و همراه با تحلیل همبستگی فضایی ماده انجام می‌شود)، موفق به حل این
مشکل شده‌اند.
در این روش مؤلفه‌ی پاسخ‌ها با توجه به واریانس داده‌ها انتخاب و رده‌بندی
می‌شوند. آنها دریافتند که برای نمونه‌هایی که دارای طیف‌هایی با تغییرات نسبی
اندک هستند، اولین چند مؤلفه PCA ضمن آنکه چهار برابر سریع‌تر به دست می‌آید
همخوانی بسیار خوبی هم با نتایج حاصل از روش تطابق مدل دارند. این محققان نشان
داده‌اند که در مواردی که واریانس شدیدتر است، روش PCA راهکار بسیار خوبی برای
نویزگیری مؤثر، فشرده‌سازی و پردازش سریع داده‌هاست.
گفتنی است گزارشی از این تحقیق در نشریه‌یNanotechnology منتشر شده و طی آن
دورنمایی از ترکیب این روش همراه با تحلیل تابع همبستگی نمونه (به‌عنوان ابزاری
جهانی برای تحلیل داده‌ها و امکان به‌کارگیری آن در میکروسکوپ‌ها) مورد بحث
قرار گرفته‌است.
|
