Optimization of depth resolved X-ray absorption spectroscopy in grazing emission mode for characterizing compositionally complex alloys

Abstract

Schichtmaterialien sind grundlegend für technologische Fortschritte und bieten Eigenschaften, die sie von Massivmaterialien unterscheiden. In der Elektronik werden beispielsweise Dünnfilmtransistoren (TFTs) verwendet, um den Ladungstransport und die Flexibilität zu verbessern, wodurch die Geräteleistung gesteigert wird. Auf die gleiche Weise verwenden Dünnschicht-Photovoltaikgeräte, die in der erneuerbaren Energie eingesetzt werden, strategische Schichtungen, um Licht effizienter zu absorbieren und Elektronen-Loch-Paare effektiver zu trennen, was zu einer höheren Energieumwandlungseffizienz führt. In den letzten Jahrzehnten hat die Entwicklung neuer Legierungen die Bedeutung von Schichtmaterialien in einem anderen Kontext hervorgehoben. Zusammensetzungsbedingt komplexe Legierungen bilden beispielsweise mehrere Oxidschichten auf ihren Oberflächen, wenn sie oxidieren. Das Studium dieser Korrosionsschichten ist entscheidend für das Verständnis der Wechselwirkungen zwischen Material und Umgebung.Typische Oberflächenanalysetechniken, einschließlich der Röntgen-Photoelektronenspektroskopie (XPS), der sekundären Ionenmassenspektrometrie (SIMS) und der Meitner- Auger-Elektronenspektroskopie (M-AES), liefern wertvolle Einblicke, sind jedoch durch ihre Anforderungen an Hochvakuumbedingungen und ihre begrenzte Tiefenanalyse eingeschränkt. Im Gegensatz dazu stellt die Röntgen-Nahkanten-Absorptions-Spektroskopie (XANES) eine vielseitige und vorteilhafte Alternative dar. Es funktioniert effektiv unter Umgebungsbedingungen und ermöglicht zeitaufgelöste Messungen, wodurch die Analyse von Materialien in Echtzeit verbessert wird, während sie strukturelle und zusammensetzungsbedingte Veränderungen durchlaufen. Diese Anpassungsfähigkeit erweitert den Rahmen für die Materialanalyse und ermöglicht ein umfassenderes Verständnis dynamischer Prozesse.Die Grazing Emission Röntgenfluoreszenz (GEXRF) Spektroskopie zeichnet sich als eine zerstörungsfrei, tiefenauflösende, element-spezifische Charakterisierungstechnik aus, die wichtig ist, um tiefenauflösende Informationen auf Nanometerskala zu sammeln. Seine Fähigkeit, detailliert aufgelöste Informationen basierend auf dem Streuwinkel der Fluoreszenzstrahlung zu sammeln, macht es ideal für die Untersuchung von Dünnschichten, Korrosionsschichten und Grenzflächen innerhalb geschichteter Materialien. Die Integration von XANES im Emissionsmodus mit GEXRF ermöglicht eine detaillierte Untersuchung der chemischen Zustände des analysierten Atoms und liefert tiefenaufgelöste Informationen. Diese Studie behandelt die Grazing Emission Röntgen-nahkanten-absorptions-Spektroskopie(GEXANES), eine neuartige Schichtanalysetechnik, die durch die Integration dieser beiden Methoden entstanden ist.Diese Studie kombiniert auch maschinelles Lernen mit GEXANES-Spektroskopie, um die Experimentierzeiten zu verkürzen. Durch die Verwendung von aktivem Lernen, einem Teilbereich des maschinellen Lernens, verfeinert es den Datenakquisitionsprozess und ermöglicht effizientere und optimierte Methoden. Die Anwendung von aktivem Lernen in diesem Kontext veranschaulicht das Potenzial datengestützter Ansätze, experimentelle Methoden zu transformieren, insbesondere in ressourcenlimitierten Umgebungen wie Synchrotronanlagen, wodurch die wissenschaftliche Forschung und Entdeckung beschleunigt werden.

Layered materials are fundamental to technological advancements, offering distinct prop- erties that differentiate them from bulk materials. In electronics, for instance, thin-film transistors (TFTs) are used to enhance charge transport and flexibility, thereby improving device performance. In the same way, thin-film photovoltaic devices used in renewable energy use strategic layering to absorb light more efficiently and separate electron-hole pairs more effectively, which leads to higher energy conversion efficiency. In recent decades, the development of new alloys has highlighted the importance of layered materials in another context. Compositionally complex alloys, for example, form multiple oxide layers on their surfaces when they oxidize. Studying these corrosion layers is crucial for understanding material-environment interactions.Typical surface analysis techniques, including X-ray photoelectron spectroscopy (XPS), secondary ion mass spectrometry (SIMS), and Meitner-Auger electron spectroscopy (M- AES), provide valuable insights but are constrained by their requirements for high vacuum conditions and their limited depth analysis. In contrast, X-ray absorption near-edge structure (XANES) spectroscopy presents a versatile and advantageous alternative. It operates effectively under ambient conditions and allows time-resolved measurements, en- hancing the analysis of materials in real-time as they undergo structural and compositional changes. This adaptability broadens the scope for material analysis, allowing for a more comprehensive understanding of dynamic processes.Grazing Emission X-ray Fluorescence (GEXRF) spectroscopy stands out as a non- destructive, depth-resolved, element-specific characterization technique important for collecting depth-resolved information at the nanometer scale. Its ability to collect in-depth resolved information based on the grazing emission angle of the fluorescence radiation makes it ideal for investigating thin films, corrosion layers, and interfaces within layered materials. The integration of XANES in emission mode with GEXRF enables detailed exploration of the chemical states of the analyzed atom and provides depth-resolved information. This study discusses grazing emission X-ray absorption near-edge structure spectroscopy (GEXANES), a novel layer analysis technique that is created by integrating these two methods.This study also innovatively combines machine learning with GEXANES spectroscopy to reduce experimental times. By using active learning, a subset of machine learning, it refines the data acquisition process, enabling more efficient and streamlined methods. The application of active learning in this context illustrates the potential of data-driven approaches to transform experimental methodologies, particularly in resource-limited environments such as synchrotron facilities, thereby accelerating scientific research and discovery.