RESIRE-Net enables accurate 3D atomic structure determination from limited-angle electron tomography
تقدم الورقة البحثية RESIRE-Net، وهو إطار عمل للتعلم الخاضع للإشراف الذاتي يجمع بين شبكة 3D U-Net وإعادة البناء التكراري في الفضاء الحقيقي لتحسين دقة الموضع الذري ثلاثي الأبعاد والتعرف الكيميائي بشكل كبير في التصوير الإلكتروني المقطعي من خلال التغلب على قيود آثار إسفين الفقد دون الحاجة إلى بيانات تدريب خارجية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لفهم الآليات الداخلية للمادة، يحتاج العلماء غالباً إلى رؤيتها في ثلاثة أبعاد، وصولاً إلى مستوى الذرات الفردية. تخيل أنك تحاول فهم هيكل مبنى معقد، ولكن يُسمح لك فقط بالنظر إليه من الأمام والجوانب، دون أن تتمكن أبداً من النظر من الأعلى أو الأسفل. هذا هو التحدي الجوهري الذي يواجه الباحثين الذين يستخدمون التصوير المقطعي بالإلكترونات لرسم الخرائط المعمارية الذرية للمواد. فمن خلال إطلاق حزمة من الإلكترونات على عينة متناهية الصغر من زوايا مختلفة، يمكنهم بناء صورة ثلاثية الأبعاد. ومع ذلك، فإن القيود الفيزيائية للمجهر وشكل العينة تمنعهم عادةً من إمالة العينة لدرجة كافية لالتقاط دائرة كاملة من الرؤى. ويترك هذا النطاق المفقود من الزوايا فجوة في البيانات، وهي منطقة عمياء تشوه الصورة النهائية، مما يؤدي إلى تمدد الذرات وتشويه مواضعها الحقيقية. وبدون رؤية واضحة، يصبح من الصعب رصد العيوب، أو قياس الإجهاد، أو فهم كيفية ترتيب العناصر الكيميائية المختلفة، وكل هذه الأمور بالغة الأهمية لتصميم مواد أقوى وأكثر كفاءة.
لقد طور فريق من الباحثين في جامعة كاليفورنيا، لوس أنجلوس، نهجاً جديداً لحل هذه المشكلة، محولين قيداً رياضياً إلى لغز قابل للحل. فقد أنشأوا نظاماً يسمى RESIRE-Net، يجمع بين خوارزمية إعادة بناء قوية وذكاء اصطناعي ذاتي التعلم. وبدلاً من الاعتماد على مكتبة ضخمة من الصور الموجودة مسبقاً لتعليم الكمبيوتر كيف تبدو الذرة المثالية، يتعلم هذا النظام مباشرة من العينة المحددة التي يفحصها. ويعمل النظام عن طريق أخذ الخريطة ثلاثية الأبعاد الأولية غير المكتملة الناتجة عن البيانات ذات الزوايا المحدودة، ثم تدويرها في كل اتجاه ممكن. وفي كل زاوية جديدة، يحاكي النظام ما كان سيراه المجهر لو تمكن من الإمالة إلى تلك الدرجة، ثم يعيد بناء تلك الرؤية مرة أخرى. ومن خلال مقارنة الرؤى المدورة والمشوهة مع الرؤى الأصلية الأقل تشوهاً، يتعلم النظام كيفية التعرف على التشويه والتمدد الناتجين عن الزوايا المفقودة وإلغائهما. إنه يعلم نفسه أساساً كيفية ملء الفجوات، ويقوم بتحسين الصورة مع كل دورة تعلم.
وعندما اختبر الباحثون هذه الطريقة على جسيمات نانوية محاكاتية مصنوعة من الزجاج المعدني وسبائك الاعتدال المتوسط (medium-entropy alloys)، كانت النتائج مذهلة. ففي محاكاة الزجاج المعدني، تحسنت الدقة التي يمكن من خلالها تحديد موضع الذرة بشكل كبير، حيث انخفض متوسط الخطأ من 21 بيكومتر إلى 14 بيكومتر. والبيكومتر هو جزء من تريليون من المتر، وهو مقي-اس صغيراً جداً لدرجة أن أي تقليل طفيف في الخطأ يمثل قفزة هائلة في الوضوح. كما أصبح النظام أفضل بكثير في تحديد ماهية العناصر الكيميائية لكل ذرة، حيث صنف بدقة جميع الذرات تقريباً في المحاكاة، بينما كانت الطريقة السابقة تغفل عن عدد كبير من الذرات أو تخطئ في تحديدها. وفي اختبار منفصل باستخدام محاكاة لسبائك الاعتدال المتوسط، انخفض الخطأ في تحديد مواقع الذرات من 24 بيكومتر إلى 15 بيكومتر، وتحسنت القدرة على التمييز بين أنواع الذرات المختلفة من حوالي 93 بالمئة إلى أكثر من 99 بالمئة. لم تكن هذه التحسينات تتعلق فقط بجعل الصورة تبدو أكثر حدة؛ بل تعني أن الكمبيوتر أصبح بإمكانه العث ور المزيد من الذرات الموجودة فعلياً وتجاهل الإشارات الزائفة التي غالباً ما تربك عملية التحليل.
وجاء الاختبار الحقيقي عندما طبق الفريق نظام RESIRE-Net على بيانات تجريبية حقيقية من جسيم نانوي من سبائك الاعتدال المتوسط. وفي هذه العينات الفيزيائية، غالباً ما تؤدي مشكلة الزوايا المفقودة إلى تمويه الحدود بين المناطق المختلفة من البلورة، مما يجعل من الصعب رؤية أين ينتهي هيكل ويبدأ آخر. نجح النظام الجديد في توضيد القمم الذرية على طول الاتجاه الذي تفتقر فيه المعلومات، مما جعل الذرات الفردية تبرز بوضوح دون فقدان الميزات الدقيقة للمادة، مثل حدود التوأمة (twin boundaries) حيث ينقلب الهيكل البلوري. كما ظل الترتيب الكيميائي داخل السبائك، والذي يصف كيف تفضل العناصر المختلفة الجلوس بجانب بعضها البعض، سليماً وتم الكشف عنه بوضوح أكبر. ووجد الباحثون أن النظام يمكنه استعادة المواضع الثلاثية الأبعاد الحقيقية للذرات بمستوى من الدقة لم يكن ممكناً الوصول إليه سابقاً لهذه العينات الصعبة، وكل ذلك دون الحاجة إلى صورة مرجعية مثالية لتوجيهه.
يُظهر هذا العمل أنه من خلال تعليم الذكاء الاصطناعي فهم الفيزياء الخاصة بالمجهر والعينة التي يراقبها، يمكن للعلماء التغلب على الحواجز الفيزيائية التي حدت من رؤيتهم لفترة طويلة. لا يتطلب هذا الأسلوب صورة مرجعية مثالية أو قاعدة بيانات ضخمة من صور التدريب، مما يجعله أداة عملية لدراسة المواد الفريدة والفريدة من نوعها. ومن خلال تقليل التشويه الناتج عن الزوايا المفقودة، يسمح نظام RESIRE-Net للباحثين برؤية العالم الذري بمستوى جديد من الدقة، وكشف العيوب الدقيقة والترتيبات الكيميائية التي تحدد سلوك المواد. وبينما يدفع مجال علم المواد نحو تصميم مواد بدقة ذرية، ستكون الأدوات التي يمكنها رسم خرائط هذه الهياكل بموثوقية رغم البيانات غير المكتملة ضرورية لتحويل التصاميم النظرية إلى اختراقات في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.