High Throughput Analysis of Nanobeam Electron Diffraction Datasets using Unsupervised Clustering

기술 요약: 비지도 클러스터링을 이용한 나노빔 전자 회절 데이터셋의 고처리량 분석

문제 정의
4차원 주사 투과 전자 현미경(4DSTEM) 내의 나노빔 전자 회절(NBED)은 모든 2D 스캔 지점에서 회절 패턴이 기록되는 방대한 데이터셋을 생성한다. 가상 암시야(Virtual Dark Field, VDF) 이미징 및 전통적인 암시야 기술은 특정 결정학적 특징을 시각화할 수 있지만, 시료의 굽힘, 결함으로 인한 가변적인 대비, 그리고 수많은 결정립을 분할하거나 예기치 않은 미세 상(phase)을 식출하는 데 어려움을 겪는 경우가 많다. 또한, 표준 이미징 방법은 확산 배경 노이즈를 포함하는 원시 강도 합계에 의존하며, 관심 영역을 정의하기 위해 수동 개입이 필요하다. 저자들은 기존 머신러닝 응용 분야에서의 격차를 다음과 같이 식별하였다: 이전의 클러스터링 연구들은 주로 원시 회절 패턴(이미지로 취급)이나 결정 방위와 같은 파생된 속성에 기반하여 작동했으나, 역격자 공간 위치, 실공간 스캔 위치, 강도를 공동으로 인코딩하는 희소 회절 피크 위치 리스트에 직접적으로 클러스터링을 수행하지는 않았다.

방법론
제안된 접근 방식은 "포인트 어레이(pointsarrays)"에 직접 적용되는 밀도 기반 클러스터링 알고리즘인 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)을 활용한다. 이 어레이는 회절 디스크를 검출함으로써 4DSTEM 데이터로부터 생성되며, 검출된 각 피크에 대해 역격자 공간 좌표($Q_x, Q_y$), 강도($I$), 그리고 실공간 스캔 좌표($R_x, R_y$)를 포함하는 희소 벡터 리스트를 형성한다.

워크플로우는 계층적, 다단계 클러스터링 전략을 사용한다:

1. 데이터 전처리: 회절 패턴을 포인트 어레이로 변환한다. 주 빔(primary beam)은 제외되며 데이터는 정규화된다.
2. 레벨 1 (L1) 클러스터링: 회절 피크 벡터의 유사성을 기반으로 클러스터를 형성한다.
   • **다결정 시스템(polycrystalline systems)**의 경우, 클러스터링은 4D 공간($sQ_x, sQ_y, R_x, R_y$)에서 수행되며, 여기서 스케일링 인자 $s$는 역격자 공간 위치에 더 높은 가중치를 두어 물리적 위치는 다르지만 유사한 역격자 좌표를 가진 피크들을 분리한다.
   • **단결정 시스템(석출물을 포함하는 경우)**의 경우, 클러스터링은 뚜렷한 회절 점 패밀리를 식별하기 위해 2D 역격자 공간($Q_x, Q_y$)에서 수행된다.
3. 레벨 2 (L2) 클러스터링: L1 클러스터들을 그룹화하여 뚜렷한 물리적 객체(예: 개별 결정립 또는 결정 변체)를 식별한다.
   • 다결정의 경우, L2 클러스터링은 강도 가중치가 적용된 질량 중심(Center of Mass, COM) 기반의 실공간 디지털 암시야(Digital Dark Field, DDF) 이미지를 바탕으로 L1 구성 요소를 그룹화한다.
   • 단결정의 경우, L2 클러스터링은 유사한 공간 및 회절 시그니처를 가진 L1 클러스터들을 그룹화하기 위해 사전 계산된 자카드 거리(Jaccard distance) 행렬(DDF 마스크의 이미지 중첩 기반)을 사용한다.
4. 레벨 3 (L3) 클러스터링: 비클러스터링된 포인트들에 적용되어 무정형 또는 심층 나노결정 성분을 식별한다. 이는 확산 링 패턴을 포착하기 위해 더 느슨한 파라미터를 가진 역격자 좌표($Q_x, Q_y$)에서 수행된다.

이 방법은 두 가지 서로 다른 시료인 부분 결정화된 $\text{Fe}_{60}\text{V}_{40}$ 박막(다결정)과 임락(Imilac) 운석의 플레사이트(plessite) 영역(석출물을 포함한 단결정)에 대해 검증되었다.

주요 결과

• 다결정 FeV 박막: 계층적 접근 방식은 박막을 52개의 뚜렷한 결정립(L2 클러스터)과 별도의 무정형/나노결정 성분(L3 클러스터)으로 성공적으로 분할하였다. L3 클러스터링은 표준 L1 클러스터링에서는 보이지 않았던, 미결정 매트릭스와 표면 산화물에 해당하는 확산된 BCC 110 링을 식별하였다. 결과물인 합성 디지털 암시야 이미지는 결정립과 하부 무정형 층을 구분함으로써 부분 결정화 과정을 명확히 시각화하였다.
• 운석 플레사이트: 석출물을 포함하는 단결정 매트릭스 내에서, L1 클러스터링은 40개 이상의 뚜렷한 회절 점 패밀리를 식별하여 표준 ADF 이미징에서는 나타나지 않는 바늘 모양의 특징과 미세 구조를 드러냈다. L2 클러스터링은 이미지 유사성을 사용하여 이를 7개의 뚜렷한 패밀리로 그룹화하였다. 이 분석은 복잡한 구조적 관계를 밝혀냈다: 큰 층상 구조(lamellae)가 Ni-rich 림(tetrataenite/taenite)과 서로 다른 방향을 가진 Fe-rich 코어(kamacite)를 가지고 있음이 발견되었으며, 이는 일반적인 EELS 스캔에서 놓쳤던 세부 사항이다. 클러스터링은 테이타이아나이트가 카마사이트 내에서 형성된 후, 더 큰 층상 구조에서 추가적인 편석이 일어나는 침전 순서를 확인해주었다.
• 성능: 분석은 계산 효율적이다. 표준 노트북에서 데이터 로딩부터 L2 클러스터링 및 시각화까지의 과정은 플레사이트 데이터셋에 대해 약 10초가 소요되었으며, 최대 메모리 사용량은 4 GB 미만이었다. 희소 벡터 표현 방식은 원시 4DSTEM 데이터 큐브를 처리하는 것에 비해 메모리 요구 사항을 크게 줄여준다.

의의 및 주장
본 논문은 희소 회절 피크 리스트에 직접 비지도 클러스터링을 적용하는 것이 복잡한 NBED 데이터셋을 분해하는 고처리량 자동화 방법임을 주장한다. 저자들은 이 접근 방식이 다음과 같은 효과를 제공한다고 단언한다:

1. 이미징 및 분석 자동화: 조리개(aperture) 배치의 필요성을 제거하고 사용자 편향을 줄이며, 결정질 및 무정형 성분의 합성 이미지를 자동으로 생성한다.
2. 감도 향상: 기존 TEM 암시야 또는 VDF 방법으로는 탐지하기 어려운 약한 특징이나 미세 성분(예: 작은 석출물 또는 무정형 영역)의 가시성을 개선한다.
3. 분할 용이성: 다결정 재료에서 개별 결정을 분할하는 직관적인 방법을 제공하여, 중첩 문제 없이 결정립 크기 및 형상 통계를 직접 계산할 수 있게 한다.
4. 숨겨진 구조 노출: 단결정 시스템에서, 표준 이미징에서는 즉각적으로 명확하지 않은 나노 규모의 구조적 세부 사항 및 상 관계(예: 매트릭스와 석출물 간의 방위 관계)를 밝혀낸다.

저자들은 이 방법이 상세한 결정학적 또는 결정 크기/형상 분포 분석을 수행하기 전, 관심 특징을 식별하는 과정을 간소화할 수 있는 예비 단계로서의 역할을 한다고 위치시킨다. 그들은 DBSCAN이 사용되었으나, 이 프레임워크는 다른 알고리즘에도 적응 가능하며, 거리 척도(예: Jaccard vs. 강도 가중치)의 선택은 특정 데이터셋 특성에 따라 최적화될 수 있는 영역으로 남아 있다고 언급하였다.