Méthodes d'analyse avancées des spectres de haute pertes d’énergie d’électrons

Advanced methods for Electron Energy Loss Spectroscopy core-loss analysis

• Auteur / Autrice : Francisco de la Peña
• Direction : Christian Colliex, Michael Walls
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance en 2010
• Etablissement(s) : Paris 11
• Ecole(s) doctorale(s) : École doctorale Physique de la région parisienne (....-2013)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de physique des solides (Orsay, Essonne)
• Partenaire(s) de recherche : Autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne)
• Jury : Président / Présidente : Ali Asghar Mohammad Djafari
• Jury : Examinateurs / Examinatrices : Christian Colliex, Michael Walls, Ali Asghar Mohammad Djafari

Mots clés

Mots clés contrôlés

Analyse en composantes principales

Cartographie

Liaisons chimiques

Microscopie électronique en transmission à balayage

Mots clés libres

Spectroscopie des pertes d'énergie

Nano-caractérisation

Séparation aveugle de source

Quantification absolue

Quantification par ajustement de courbe

Résumé

Les microscopes électroniques en transmission modernes sont capables de fournir une grande quantité d'informations sous la forme de jeux de données multi-dimensionnelles. Bien que les procédures développées pour l'analyse des spectres uniques soient utilisables pour le traitement de ces données, le développement de techniques plus avancées est indispensable pour une exploitation optimale de ces informations hautement redondantes. Dans ce contexte, nous avons exploré des alternatives aux méthodes standard de quantification, et cherché à optimiser les acquisitions expérimentales afin d'améliorer la précision des analyses. Cela constitue une réponse aux défis actuels de la spectroscopie de perte d'énergie d'électrons (EELS) dont les facteurs limitants sont souvent liés aux dégâts d'irradiation et à la contamination. La quantification élémentaire par la méthode standard d'intégration est limitée aux cas simples. Nous avons montré que l'utilisation d'une méthode basée sur l'ajustement des courbes expérimentales peut surmonter la plupart des limitations de la méthode standard. Cette nouvelle méthode nous a non seulement permis d'obtenir des cartographies élémentaires mais aussi les premières cartographies des liaisons chimiques à l'échelle nanométrique. Les méthodes quantitatives exigent de connaître à priori la composition de l'échantillon, ce qui constitue une difficulté majeur lors de l'analyse d'échantillons inconnus. Nous avons montré que les méthodes de séparation aveugle des sources permettent une analyse rapide et efficace des données multi-dimensionnelles, sans nécessiter la définition d'un modèle. En conditions optimales, il est ainsi possible d'extraire à partir des données expérimentales les signaux correspondants aux différents constituants chimiques ainsi que leur distribution dans l'échantillon.

Modern analytical transmission electron microscopes are able to gather a large amount of information from the sample in the form of multi-dimensional datasets. Although the analytical procedures developed for single spectra can be extended to the analysis of multi-dimensional datasets, for an optimal use of this highly redundant information, more advanced techniques must be deployed. In this context, we investigate alternatives to the standard quantification methods and seek to optimise the experimental acquisition for accurate analysis. This addresses the current challenges facing the electron energy-loss spectroscopy (EELS) community, for whom beam damage and contamination are often the limiting factors. EELS elemental quantification by the standard integration method is limited to well-behaved cases. As an alternative we use curve fitting which, as we show, can overcome most of the limitations of the standard method. Furthermore, we extend the method to obtain, in addition to elemental maps, the first bonding maps at the nanoscale. A major difficulty when analysing multi-dimensional datasets of samples of unknown composition is that the quantitative methods require as an input the composition of the sample. We show that blind source separation methods enable fast and accurate analysis of multi-dimensional datasets without defining a model. In optimal conditions these methods are capable of extracting signals from the dataset corresponding to the different chemical compounds in the sample and their distribution.