Obrazowanie nanocząsteczek o wysokiej rozdzielczości

Fot. Pixabay CC0

Skaningowa mikroskopia tunelowa (STM) umożliwia obrazowanie w bardzo wysokiej rozdzielczości powierzchni nanocząstek srebra. Osiągnięcie to jest wynikiem wspólnych badań między naukowców z Finlandii i Chin.

Rozdzielczość atomowa jest niezbędna do zrozumienia chemicznych właściwości struktur cząstek, oddziaływań molekularnych i funkcjonowania ich w różnych środowiskach. Eksperymentalne badania struktur powierzchniowych od dawna wymagają technik obrazowania odpowiednich do rozdzielczości na poziomie nanometrów, z których najczęstsze są metody oparte na tunelowaniu elektronowym, czyli wyżej wspomniana mikroskopia tunelowania skaningowego (STM) i mikroskopia sił atomowych (AFM).

Problem polega jednak na tym, że osiągnięcie tak wysokiej rozdzielczości jest bardzo trudne. Pomiary są również wrażliwe na zakłócenia środowiska, które mogą wpływać na przykład na ruch termiczny cząsteczek. W swoich badaniach naukowcy wykorzystali nanocząsteczki srebra o znanej strukturze atomowej. Ich metalowy rdzeń ma 374 atomy srebra, a na powierzchni znajduje się 113 cząsteczek TBTT, czyli cząstek z trzema oddzielnymi grupami węgla na końcu.

Gdy tego typu próbkę nanocząstek obrazowano w niskiej temperaturze, zaobserwowano wyraźne modulacje sekwencyjne w prądzie tunelowania utworzonym przez obraz. Podobne modulacje odnotowano, gdy pojedyncze cząsteczki TBBT zostały zobrazowane na płaskiej powierzchni. W oparciu o teorię funkcjonału gęstości (DFT) symulacje przeprowadzone przez zespół badawczy Häkkinena wykazały, że każda z trzech grup węglowych cząsteczki TBBT zapewnia własne aktualne maksimum na obrazie STM i odległości pomiędzy maksimami odpowiadającymi wynikom pomiaru STM.

Potwierdziło to, że pomiar zakończył się powodzeniem na poziomie sub-molekularnym. Prof. Häkkinen powiedział: "Po raz pierwszy obrazowanie powierzchni nanocząsteczek przez STM było w stanie "zobaczyć" poszczególne ich części. Wierzymy, że nasza praca demonstruje nową użyteczną strategię obrazowania nanostruktur, a w przyszłości algorytmy rozpoznawania wzorców i sztuczna inteligencja oparte na uczeniu maszynowym staną się niezbędne dla ich interpretacji".

(KB)