kikuchipy: an open-source toolbox for analysis of EBSD patterns

Este artículo presenta kikuchipy, una caja de herramientas de Python de código abierto para analizar patrones de difracción de electrones retrodispersados (EBSD) que admite indexación de Hough y por diccionario, refinamiento de orientación y validación, demostrado mediante aplicaciones en la caracterización de microestructuras de acero inoxidable y aleaciones de aluminio.

Lo esencial

Imagina que eres un detective intentando resolver un misterio dentro de un mundo diminuto e invisible. Los "sospechosos" son los cristales microscópicos que componen los metales y las aleaciones. Para atraparlos, utilizas una cámara especial dentro de un microscopio potente llamado máquina de Difracción de Electrones Retrodispersados (EBSD). Cuando haces incidir un haz de electrones sobre una muestra de metal, este rebota y crea un patrón complejo y brillante de líneas y bandas en una pantalla. Estos patrones son como huellas dactilares únicas para cada tipo de cristal.

El problema es que leer estas huellas dactilares es increíblemente difícil. Es como intentar resolver un rompecabezas donde las piezas están borrosas, la iluminación es mala y algunas piezas se parecen casi idénticas a otras. Por lo general, los científicos deben utilizar software costoso y de "caja negra" para resolver estos rompecabezas. Introduces los datos y la máquina arroja una respuesta, pero no puedes ver cómo la resolvió, y si la respuesta es incorrecta, no tienes idea de por qué.

Aquí entra "kikuchipy".

Piensa en kikuchipy como un nuevo "cuchillo suizo" de código abierto para estos detectives. Es una caja de herramientas gratuita escrita en el lenguaje de programación Python que permite a los científicos desmontar el proceso de resolución de rompecabezas paso a paso. En lugar de una caja negra mágica, te ofrece un banco de trabajo claro y transparente donde puedes ajustar, probar y mejorar cada movimiento que realices.

Así es como el artículo explica lo que puede hacer esta caja de herramientas, utilizando analogías sencillas:

1. Limpiar la foto desordenada

Antes de poder resolver el rompecabezas, a menudo tienes que limpiar la foto. Los patrones crudos del microscopio pueden tener ruido o un fondo difuso (como una foto tomada a través de un vidrio sucio).

• La analogía: Imagina tomar una foto de una noche estrellada, pero hay una niebla espesa y el resplandor de una farola que deslumbra y oculta las estrellas.
• Lo que hace kikuchipy: Tiene herramientas para restar esa "niebla" (corrección del fondo) y afilar la imagen. Incluso puede tomar una foto borrosa y mezclarla con sus vecinas para que las estrellas (las líneas cristalinas) resalten con claridad.

2. Calibrar la cámara

Para saber exactamente hacia dónde apunta un cristal, necesitas saber exactamente dónde está parada la cámara en relación con la muestra.

• La analogía: Si intentas mapear una ciudad, necesitas saber exactamente hacia dónde apunta tu brújula y a qué distancia estás de los edificios. Si tu brújula está desviada unos grados, tu mapa será incorrecto.
• Lo que hace kikuchipy: Te ayuda a "calibrar" la posición de la cámara (llamada "centro de proyección") para que el mapa coincida con la realidad. Incluso puede ajustar esta posición para cada punto individual del mapa, como un GPS que actualiza su ubicación mientras conduces.

3. Resolver el rompecabezas (Indexación)

Una vez que la imagen está limpia y la cámara calibrada, debes hacer coincidir el patrón con una biblioteca de cristales conocidos.

• La analogía: Imagina que tienes una biblioteca de 10.000 huellas dactilares diferentes. Tienes una huella borrosa de la escena del crimen y necesitas encontrar la coincidencia.
• Dos formas de hacerlo:
  • Indexación Hough: Esto es como escanear rápidamente la biblioteca en busca de la forma general de las líneas. Es rápido, pero podría pasar por alto detalles sutiles.
  • Indexación por diccionario: Esto es como comparar la entera huella borrosa contra cada huella dactilar individual en la biblioteca, píxel a píxel, buscando la coincidencia perfecta. Es más lento pero mucho más preciso, especialmente para casos difíciles.
• El refinamiento: Si la coincidencia es cercana pero no perfecta, kikuchipy puede "empujar" ligeramente la respuesta para encontrar el ajuste exacto, como ajustar un dial de radio hasta que el estático desaparezca y la música se escuche clara.

4. La "verificación de la verdad"

La parte más poderosa de kikuchipy es que te permite verificar visualmente tu trabajo.

• La analogía: En lugar de confiar simplemente en la respuesta de la computadora, puedes tomar la "mejor conjetura" de la computadora y proyectar una versión simulada perfecta de cómo debería verse ese cristal. Luego, colocas la foto real y la simulación una al lado de la otra.
• Lo que muestra: Si las líneas y las sombras en la simulación coinciden perfectamente con la foto real, sabes que lo resolviste correctamente. Si no coinciden, sabes que cometiste un error y puedes volver atrás y corregirlo.

Casos del mundo real del artículo

Los autores probaron esta caja de herramientas en tres difíciles misterios metálicos:

1. El acero "super": Observaron un acero súper resistente que había desarrollado cristales no deseados y frágiles en su interior. Usando kikuchipy, pudieron mapear exactamente dónde se formaron estos cristales defectuosos y cómo estaban orientados en relación con los buenos. Fue como ver los planos de los puntos débiles de un edificio.
2. La mezcla de aluminio frente a silicio: En una aleación metálica común, el aluminio y el silicio se ven casi idénticos bajo el microscopio porque sus estructuras cristalinas son tan similares. Es como intentar distinguir entre dos gemelos idénticos vestidos con la misma ropa. La mayoría del software se confunde. Pero como kikuchipy observa el brillo de las líneas (no solo su forma), pudo distinguir con éxito a los gemelos y mapear dónde se escondía el silicio.
3. La aleación ruidosa: Observaron un metal que había sido aplastado y laminado tan duro que los patrones cristalinos estaban muy borrosos y ruidosos. Era como intentar leer un libro en un huracán. Al utilizar la caja de herramientas para limpiar el ruido y comparar los patrones cuidadosamente, pudieron identificar las partículas diminutas en su interior, incluso cuando la señal era muy débil.

El panorama general

El artículo concluye que kikuchipy no se trata solo de resolver rompecabezas más rápido; se trata de resolverlos mejor y de entender cómo los resolviste. Está construido para que la comunidad científica lo comparta, mejore y adapte. Convierte el análisis EBSD de un proceso de "confía en la máquina" en una investigación transparente, flexible y colaborativa, permitiendo a cualquiera mirar detrás del telón y ver el mundo cristalino con claridad.

Resumen técnico

Resumen Técnico: kikuchipy: una caja de herramientas de código abierto para el análisis de patrones de EBSD

Enunciado del Problema
La Difracción de Electrones Retrodispersados (EBSD) es una técnica estándar para caracterizar características cristalográficas en microscopía electrónica de barrido (SEM). Sin embargo, la indexación de patrones de EBSD (EBSP) es susceptible a diversas fuentes de error, incluida la indexación incorrecta de fases cristalográficas, la dispersión de puntos de orientación dentro de los granos y las dificultades para diferenciar fases con estructuras cristalinas similares. Aunque existen soluciones comerciales, a menudo priorizan la automatización y la facilidad de uso a expensas de la flexibilidad y la transparencia. Este enfoque de "caja negra" limita la capacidad de los investigadores para solucionar casos problemáticos, optimizar los pasos de indexación o comprender los algoritmos subyacentes. Aunque existen alternativas de código abierto (por ejemplo, EMsoft, EMSphinx, AstroEBSD, PyEBSDIndex), sigue siendo necesaria una caja de herramientas basada en Python, ampliamente accesible y flexible, que se integre sin problemas en el ecosistema científico de Python para facilitar el desarrollo iterativo de flujos de trabajo y la validación de resultados.

Metodología
El artículo presenta kikuchipy, una caja de herramientas de Python de código abierto diseñada para el análisis de EBSP. El software extiende la biblioteca HyperSpy para el análisis de conjuntos de datos multidimensionales y depende de orix para manejar rotaciones y simetría cristalina, y de diffsims para simulaciones de difracción.

La metodología central enfatiza un flujo de trabajo de indexación fuera de línea flexible e iterativo (ilustrado en la Fig. 2 del artículo), que incluye:

1. Carga e Inspección de Datos: Lectura de archivos de principales proveedores (Bruker, EDAX, NORDIF, Oxford) y generación de mapas de "pre-indexación" (por ejemplo, intensidad media del patrón, imágenes virtuales de electrones retrodispersados, mapas de calidad de imagen) para guiar la selección de fases y validar resultados sin sesgo del usuario.
2. Procesamiento de Patrones: Aplicación de correcciones de fondo estáticas y dinámicas, reducción de ruido mediante promediado de vecinos y agrupamiento (binning) para mejorar la relación señal-ruido (SNR) o la velocidad.
3. Calibración de Geometría: Determinación del centro de proyección (PC) y la geometría detector-muestra. Esto implica indexación de Hough para estimaciones iniciales y refinamiento mediante coincidencia de patrones. El software admite tanto modelos de PC fijos como dinámicos.
4. Indexación:
   • Indexación de Hough: Implementada mediante PyEBSDIndex para una estimación rápida de orientaciones basada en la detección de bandas de Kikuchi.
   • Indexación por Diccionario: Adaptada de EMsoft, este método compara patrones experimentales con un diccionario de patrones maestros simulados dinámicamente. Utiliza la correlación cruzada normalizada (NCC) como métrica de similitud.
5. Refinamiento: Se realiza un refinamiento de la orientación y/o del centro de proyección para mejorar la precisión, optimizando la puntuación NCC utilizando algoritmos de SciPy y NLopt.
6. Validación: Los resultados se validan comparando visualmente patrones experimentales con simulaciones geométricas, cinemáticas y dinámicas, así como mediante el análisis de mapas de Figura de Polo Inverso (IPF).

El software está diseñado para manejar conjuntos de datos más grandes que la memoria disponible utilizando Dask y aprovecha Numba para la compilación just-in-time de secciones críticas para el rendimiento.

Contribuciones y Resultados Clave
El artículo demuestra las capacidades de kikuchipy a través de tres ejemplos de aplicación distintos:

1. Relaciones de Orientación en Acero Inoxidable Super Duplex (SDSS):

   • El flujo de trabajo se aplicó a un SDSS que contenía fases secundarias no deseadas (sigma, chi, R, $\pi$ y nitruros de cromo).
   • Los mapas de pre-indexación identificaron con éxito características microestructurales, incluidas estructuras laminares y partículas de contraste de alto Z.
   • La indexación por diccionario distinguió entre múltiples fases, incluidas aquellas que típicamente requieren Microscopía Electrónica de Transmisión (TEM) debido a su tamaño (hasta ~0.52 $\mu$m).
   • El estudio visualizó las relaciones de orientación (OR) entre fases (por ejemplo, $\alpha$/$\gamma$, $\alpha$/$\sigma$, $\alpha$/$\chi$) utilizando distribuciones de desorientación en el espacio eje-ángulo. Confirmó la relación Kurdjumov-Sachs para $\alpha$/$\gamma$ e identificó una OR "Cubo-sobre-cubo" para $\alpha$/$\chi$, así como una relación CSL3 previamente no reportada entre chi y ferrita.

2. Diferenciación de Fases en Aleaciones Al–Si:

   • Se abordó el desafío de diferenciar entre Aluminio (CCC) y Silicio (cúbico de diamante), que tienen posiciones de bandas de Kikuchi similares.
   • El artículo demuestra que la indexación por diccionario utilizando simulaciones dinámicas, que aprovechan las distribuciones de intensidad relativa en lugar de solo las posiciones de las bandas, puede diferenciar con éxito estas fases basándose únicamente en EBSP.
   • La validación implicó comparar patrones experimentales con patrones simulados, mostrando que las discrepancias de intensidad en las simulaciones de Al (vs. Si) indicaban claramente la fase correcta.
   • El análisis reveló textura en fibras de silicio y la ausencia de una relación de orientación fuerte entre Al y Si en la aleación modificada.

3. Diferenciación de Fases en Aleaciones Al–Mn Ruidosas:

   • El software se utilizó para indexar partículas constituyentes de tamaño micrométrico ($Al_6Mn$ y $\alpha$-AlMnSi) en una aleación Al–Mn fuertemente laminada en frío y recocida, donde los EBSP sufrían de baja SNR debido a la energía almacenada y al ruido de la cámara.
   • Al combinar corrección de fondo, promediado de vecinos e indexación por diccionario, el software identificó y distinguió con éxito entre las dos fases de partículas.
   • Los resultados se validaron frente a un mapa de "verdad fundamental" generado independientemente derivado de imágenes de Electrones Retrodispersados (BSE).
   • El análisis reveló una orientación preferente para las partículas $Al_6Mn$ y una gran rotación de red sistemática dentro de una partícula específica de $\alpha$-AlMnSi, atribuida a una deformación severa.

Significado y Afirmaciones
El artículo posiciona a kikuchipy no como una herramienta para maximizar la velocidad de indexación, sino como un recurso para la comunidad de microscopía electrónica para mejorar la flexibilidad, la transparencia y la validación de resultados.

• Flexibilidad e Iteración: El software permite a los usuarios crear flujos de trabajo personalizados donde los pasos de indexación pueden optimizarse y las fuentes de error identificarse, abordando la rigidez de las soluciones comerciales.
• Validación: Enfatiza la importancia de la validación visual (comparando patrones experimentales y simulados) y la verificación independiente (por ejemplo, utilizando mapas de pre-indexación o imágenes BSE) para garantizar la precisión de la indexación.
• Ciencia Abierta: El código está alojado en GitHub, y los datos brutos y los cuadernos de flujo de trabajo para los ejemplos están disponibles públicamente en Zenodo, adheriéndose a los principios FAIR.
• Recurso Comunitario: Los autores declaran que el software se desarrolla para permitir que cualquiera mejore el código o lo integre en sus propios flujos de trabajo de análisis, fomentando la colaboración y el avance en el análisis de EBSD.

El artículo concluye que, aunque existen limitaciones actuales (como la necesidad de configuración manual por fase para la indexación por diccionario y la falta de una GUI nativa), la integración del ecosistema científico de Python convierte a kikuchipy en una herramienta poderosa para desarrollar flujos de trabajo de análisis de EBSD robustos y flexibles.