기술 요약: 4D-STEM을 위한 이벤트 희소 스택 디노이징 (Event-Sparse Stack Denoising)

문제 정의

4차원 주사 투과 전자 현미경(4D-STEM)은 정량적인 나노스케일 특성 분석을 위한 강력한 도구이지만, 빔 민감성 재료에 요구되는 저선량 영역에서 발생하는 노이즈에 취약하다. 직접 전자 검출기(예: MAPs, HPAD)는 스크린-결합형 검출기에 비해 신호 대 잡음비(SNR)와 프레임 속도를 개선하지만, 여전히 판독 전자 장치 및 에너지 증착 변동(예: Landau 분포 노이즈)으로 인한 노이즈를 유발한다.

전통적인 디노이징 방법들은 다음과 같은 상당한 트레이드오프(trade-offs)를 수반한다:

• 필터링 (Gaussian, Wiener, Non-local means): 고주파 성분을 제거하여 미세한 세부 정보를 손실할 수 있다.
• 픽셀 비닝 (Pixel Binning): SNR을 높이지만 공간 및 역격자 공간 해상도를 희생시킨다.
• 차원 축소 (PCA, NMF, Tensor SVD): 이러한 비국소적(non-local) 방법들은 공간적으로 분리된 지점들을 분석하여 분산을 추출한다. 효과적이긴 하지만, 비주기적 데이터(예: 다결정 또는 무질서한 재료)의 경우 어려움을 겪을 수 있으며 계산 집약적이다.
• 딥 러닝: 비지도 학습 기반의 합성곱 신경망(CNN)은 유망하지만, 계산량이 많고 느리며 본질적으로 비국소적이다.

따라서 국소적(local)이고, 스캔 위치에 독립적이며, 계산 효율적이면서도, 이벤트가 희소한 저선량 데이터에서 구조적 정보를 보존할 수 있는 디노이징 접근 방식이 필요하다.

방법론

저자들은 **이벤트 희소 스택 디노이징(Event-Sparse Stack Denoising)**을 도입하며, 이는 표준 4D-STEM 데이터 수집을 **국소 시간 분해 STEM (LTR-STEM)**으로 변환한다. 단일 스캔 위치당 하나의 회절 패턴을 적분하는 대신, 검출기는 각 위치에서 초단기 노출(약 1 µs)을 가진 여러 개의 회절 패턴 스택을 기록한다. 이를 통해 5차원 데이터셋 $(x, y, \text{stack}, \text{pixel}_x, \text{pixel}_y)$이 생성된다.

각 스캔 위치의 패턴 스택에 대해 합산 전 두 가지 서로 다른 희소성 기반 디노이징 파이프라인이 적용된다:

1. 클러스터링 기반 디노이징 (DBSCAN):

   • 전자 이벤트의 클러스터를 식별하기 위해 밀도 기반 공간 클러스터링(DBSCAN) 알고리즘을 활용한다.
   • 매개변수: eps (브래그 반사를 근사하는 반지름) 및 min_samples (국소 전자 계수 밀도).
   • 과정: 고립된 강도 계수(노이즈)는 이상치(outlier)로 처리되어 제거된다.
   • 임계값 설정: 남은 계수들을 바탕으로 마스크를 생성하기 위해 2단계 임계값 처리가 적용된다:
     • Soft Threshold: 시그모이드 함수를 사용하여 지속성 맵(스택 전체에 걸친 누적 계수)에 기반한 확률 유사 마스크를 생성한다.
     • Hard Threshold: 이 소프트 마스크에 이진 컷오프를 적용하여 최종 회절 마스크를 확정한다.
   • 이 방식은 저주파 노이즈에 강하며 브래그 반사의 물리적 위치를 보존한다.

2. 분해 기반 디노이징 (Sparse PCA):

   • 스택에 희소 주성분 분석(Sparse PCA)을 적용하여 설명된 분산에 따라 직교 성분들로 분해한다.
   • 과정: 단일 성분($n_{comp}=1$)만을 사용하여 데이터를 재구성한다. 이는 일관되고 구조화된 분산을 보이는 픽셀들만 유지하고 무작위 노이즈는 거의 0으로 억제하는 데이터 기반 합산 역할을 한다.
   • 임계값 설정: 재구성된 패턴에 최종 저강도 임계값(통상 $10^{-2}$에서 $1$ 사이)이 적용된다.
   • 이 방법은 더 적은 입력 매개변수(주로 강도 임계값)를 필요로 하며 구현이 더 간단하다.

주요 결과

1. 시뮬레이션 데이터 성능

Poisson 노이즈가 포함된 시뮬레이션된 Au [001] 회절 패턴을 사용한 결과:

• PSNR 분석: 두 방법 모두 모든 성분 패턴($n$)의 범위에 걸쳐 노이즈가 섞인 재구성 결과보다 높은 피크 신호 대 잡음비(PSNR)를 나타냈다.
• 선량 효율: DBSCAN 방식은 노이즈가 섞인 재구성(200개 성분 모두 사용)과 동일한 PSNR을 달성하기 위해 단 31개의 성분만을 사용했다. 이는 동일한 이미지 품질을 유지하면서 노출 시간(및 선량)을 약 16% 감소시켰음을 의미한다.
• 아티팩트 억제: PSNR 곡선의 불연속성을 방지하기 위해 소프트-하드 이중 임계값 절차가 필요함을 확인했다.

2. 다결정 금의 가상 이미징

2–3 nm 다결정 Au 박막에 대한 실험 데이터에 적용한 결과:

• 대조도 개선: 디노이징은 금(gold) 특유의 상당한 확산 배경 신호를 효과적으로 억제하여, 가상 암시야(Virtual Dark Field, VDF) 이미지의 대조도를 크게 향상시켰다.
• 트레이드오프: 두 방법 모두 특히 약한 고각 회절 디스크 구조에서 부분적인 정보 손실을 초래했다. DBSCAN은 원본 데이터에 더 가까운 강도를 유지한 반면, Sparse PCA는 더 공격적인 노이즈 억제를 보여주었다.

3. 구아닌 나노 결정의 결함 매핑

결정학적 굽힘(bending)을 보이는 구아닌 나노 결정에 적용한 결과:

• 민감도 향 향상: 디노이징은 굽힘으로 인해 발생하는 미세한 방사형 디스크 이동(radial disk shifts)의 검출 능력을 크게 개선했다.
• 정량적 이득: 노이즈로 인해 가려졌던 방사형 디스크의 상대적 이동에 대한 민감도가 4.1배 증가했다. 원본 데이터에서는 피크-투-트러프(peak-to-trough) 변동이 약 0.9%였으나, 디노이징 후에는 약 3.7%로 증가했다.
• 메커니즘: 특정 매개변수 조정(낮은 eps)을 거친 DBSCAN 방식은 원본 데이터에서 노이즈에 의해 가려졌던 디스크 내의 강도 재분포를 효과적으로 포착했다.

4. 임계 선량 추정 및 선택적 노출 이미징

LTR-STEM 획득 전략은 빔 유도 열화(beam-induced degradation)를 실시간으로 모니터링할 수 있게 하였다:

• 선량 추적: 스택 내 (100) 디스크의 통합 강도를 분석함으로써, 빔 데미지로 인한 신호의 단조 감소를 확인했다.
• 임계 선량: 구아닌의 경우, 강도가 초기 값의 $1/e$로 떨어지는 지점인 약 $1.66 \times 10^4$ e-/Ų의 임계 선량($D_C$)을 결정했다.
• 선택적 이미징: 이 방법은 유의미한 열화가 발생하기 전(예: 신호를 90% 이상 유지하는 프레임)의 프레임만을 분석에 사용하여, 손상된 데이터를 효과적으로 배제하는 "노출 선택적 이미징" 프로토콜을 가능하게 한다.

의의 및 주장

본 논문은 이벤트 희소 스택 디노이징이 저선량 4D-STEM을 위한 실용적이고 계산 효율적인 국소적 전략을 제공한다고 주장한다. 그 의의는 다음과 같다:

• 선량 감소: 시뮬레이션에서 표준 노출 대비 현저히 낮은 전자 선량(약 16%)으로 고품질 이미지 재구성을 달려내며, 이는 빔 민감성 재료 연구에 매우 중요하다.
• 유연성: 비국소적 차원 축소 기술과 달리, 이 방법은 스캔 위치에 독립적이므로 비주기적, 다결정 및 무질서한 재료에도 적합하다.
• 민감도 향상: 노이즈에 의해 가려져 있던 미세한 구조적 특징(예: 결정학적 굽힘)의 검출을 가능하게 한다.
• 손상 특성화: LTR-STEM 획득 모드는 직접적인 임계 선량 임계값 추정과 노출 선택적 이미징 프로토콜을 용이하게 한다.

한계점

저자들은 다음과 같은 특정 한계를 인정한다:

• 정보 손실: 노이즈 제거와 약한 고각 회절 디스크 구조의 보존 사이에는 본질적인 트레이드오프가 존재한다.
• 처리량 제약: 현재 이 방법은 프레임 기반 검출기(예: MerlinEM)의 데이터 처리량에 제한을 받으며, 여기서 발생하는 판독 간격 시간(readout gap times)이 스택당 캡처할 수 있는 패턴 수를 제한한다. 저자들은 간격 시간이 거의 없는 이벤트 기반 검출기(예: TimePix3)가 이 병목 현상을 해결할 수 있다고 제안한다.