Detecting the photons emitted from single quantum objects is highly desired to diagnose nano-scale devices. It has been, however, believed very difficult to sense single atoms in optical spectroscopy due to the inferior detection efficiency. We demonstrate here the successful detection of the characteristic x-ray signals from single Er atoms in energy dispersive x-ray spectroscopy (EDX). Highly focused electron probe in an aberration-corrected scanning transmission electron microscope (STEM) was used to excite the single Er atoms aligned in carbon cages, namely the peapod. The intensities of Er L and M lines from single Er atom were found to be 104 ~ 105 times less than that of the N-edge of electron energy-loss spectroscopy (EELS), suggesting the intrinsic difficulty to sense single atoms in X-ray spectroscopy. Nevertheless, this work will certainly ensure the possibilities to obtain X-ray spectra from single atoms and to evaluate the fluorescence yield at single atom basis, therefore the technique will likely find wide fields of applications in nano-physics research.


翻译:检测单个量子天体释放的光子是用来诊断纳米级装置的高度可取的。然而,据认为,由于检测效率低,很难在光谱分析中感知单一原子。我们在这里展示了在能量分散式X射线分光镜(EDX)中成功探测出单个E原子的特征X射线信号。在异常修正扫描传输电子显微镜(STEM)中,高度集中的电子探测器被用来刺激碳笼中(即焦炭)的单倍原子。在单埃原子中,Er和M线的强度为104~105倍于电子能量损失分光镜(ELS)的临界值,这表明在X射线光光光谱镜中感知单一原子的内在难度。然而,这项工作肯定会确保有可能从单一原子中获取X射线光谱并评估单一原子的荧光谱,因此该技术在纳米物理研究中可能会发现应用范围很广的领域。

0
下载
关闭预览

相关内容

GitHub 发布的文本编辑器。
【陈天奇】TVM:端到端自动深度学习编译器,244页ppt
专知会员服务
85+阅读 · 2020年5月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
8+阅读 · 2018年12月28日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
EfficientDet: Scalable and Efficient Object Detection
Arxiv
6+阅读 · 2019年11月20日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
A General and Adaptive Robust Loss Function
Arxiv
7+阅读 · 2018年11月5日
VIP会员
相关资讯
Ray RLlib: Scalable 降龙十八掌
CreateAMind
8+阅读 · 2018年12月28日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员