LIBS for Elemental high throughput analysis

Le projet LIBELUL a pour objectif de développer 2 plateformes d’analyse élémentaire basées sur la technique de Laser Induced Breakdown Spectroscopy (LIBS). L’une de ces plateformes est dédiée à l’imagerie micro-LIBS haut débit, incluant d’autres diagnostiques optiques (image optique, RAMAN et Luminescence), en capacité d’analyser de grandes surfaces avec une résolution inférieure à 50 micromètres, développée sur le site de Lyon. L’autre plateforme est dédiée au développement d’analyse LIBS mobile (Mobilibs), vouée à une utilisation sur site de production d’échantillons, développée sur le site du CEA Saclay. 

Les 2 plateformes font partie du PEPR DIADEM qui a pour objectif d’interconnecter des plateformes de synthèse haut débit, d’analyse haut débit et numérique et de base de données pour la découverte accélérée de matériaux.

2 an et demi après son démarrage, les 2 plateformes présentent des avancées importantes. En particulier:

-1- Des 1ères images LIBS ont été obtenues (10 millions de pixels) en régime kHz (2 articles). Des images RAMAN et Luminescence ont été obtenues avec une cadence inférieure. Ces données peuvent être analysées par le même logiciel développé par l’équipe pour produire les images. L’ensemble de ces modalités sont maintenant intégrées sur la même expérience.

-2- Si l’acquisition haut débit d’un très grand nombre de spectres est un défi technologique, l’analyse de ces spectres devient tout autant un défi et de nouvelles méthodes accélérées d’analyses ou prétraitements, sans intervention de l’expérimentateur ont été développées. Nous avons ainsi développé 2 méthodologies :

- Une basée sur une technique de clustering de spectre dont l’objectif est de regrouper les spectres par classes de spectre. (Article publié dans Analytical Chemistry)

- Une autre basée  sur l’IA permettant de réaliser un traitement temps réel des spectres à la cadence du kHz. Nous avons créé une banque d’échantillons de 1500 spectres. Environ 70 % de ces spectres ont été utilisés pour l’apprentissage des réseaux, et les 30 % restant pour la validation (tester la qualité des prédictions). Ce résultat est présenté dans un article publié dans le journal JAAS.