NLSTEM: Non-local denoising for enhanced 4D-STEM pattern indexing

Deze paper introduceert NLSTEM, een nieuwe post-processing methode die niet-lokale denoising toepast op 4D-STEM-data om de signaal-ruisverhouding te verbeteren en zo de indexeringspercentages voor oriëntatie- en fasekartering aanzienlijk te verhogen, zelfs in sterk beschadigde monsters.

De kern

Titel: NLSTEM: De "Geluidsdempende Hoofdtelefoon" voor Microscopen

Stel je voor dat je een microscopische wereld verkent, waar atomen als een gigantisch, glinsterend mozaïek liggen. Wetenschappers gebruiken een heel krachtige microscoop (4D-STEM) om foto's te maken van deze atomen en te kijken hoe ze gerangschikt zijn. Dit helpt hen om nieuwe materialen te bouwen, van sterkere vleugels voor vliegtuigen tot betere batterijen.

Maar er is een probleem: de foto's die ze maken, zijn vaak erg "ruisig". Het is alsof je probeert een gesprek te voeren in een drukke fabriekshal met veel galm en gekletter. Je ziet de contouren van de atomen, maar ze zijn wazig en moeilijk te onderscheiden. Hierdoor kunnen computers de foto's niet goed lezen, en missen ze belangrijke details.

De Oplossing: NLSTEM
In dit artikel introduceren de auteurs (Yichen Yang en zijn team) een slimme nieuwe software, genaamd NLSTEM. Je kunt dit zien als een superkrachtige "ruisfilter" of een geluidsdempende hoofdtelefoon voor deze microscopen.

Hoe werkt het? (De Creatieve Vergelijking)

1. Het "Kijkvenster" en de "Buren":
   Stel je voor dat je een enorme muur hebt vol met duizenden kleine, wazige foto's van atomen. De computer kijkt naar één specifieke foto en vraagt zich af: "Wie zijn mijn buren die er hetzelfde uitzien?"
   In plaats van alleen naar de directe buren te kijken (zoals bij oude methodes), kijkt NLSTEM naar een heel groot venster rondom. Het zoekt naar foto's die op elkaar lijken, zelfs als ze niet direct naast elkaar zitten.

2. De "Groepsfoto"-Truc:
   Zodra de computer een groepje foto's heeft gevonden die op elkaar lijken, doet hij iets magisch: hij maakt er één super-scherpe "groepsfoto" van.

   • De analogie: Stel je voor dat je in een drukke kamer staat en probeert een zacht gefluister te horen. Als je alleen luistert, hoor je alleen ruis. Maar als je 50 mensen vraagt om tegelijkertijd hetzelfde gefluister te herhalen, en je telt hun stemmen bij elkaar op, wordt het gefluister plotseling kristalhelder. De achtergrondruis (de geklets) dooft uit, maar het echte signaal (het gefluister) wordt sterker.
   • NLSTEM doet precies dit met de atoomfoto's. Het middelt de ruis weg, maar houdt de scherpe randen en details van de atomen intact.

3. Het Verwonderlijke Effect: "Beschadiging" helpt!
   Het meest verrassende resultaat is dat deze techniek zelfs werkt op materialen die zwaar beschadigd zijn (bijvoorbeeld door straling). Normaal gesproken zou je denken: "Beschadigde materialen zijn onleesbaar."
   Maar NLSTEM werkt hier zelfs beter dan op schone materialen.

   • De metafoor: Stel je voor dat je een gebogen spiegel hebt. Als je er doorheen kijkt, is het beeld krom. Maar als je duizenden van deze kromme spiegels over elkaar heen legt, middelt de software de kromming weg. Het resultaat is een beeld dat zelfs helderder is dan van een perfecte, rechte spiegel. De "beschadiging" zorgt er namelijk voor dat de atomen op een manier bewegen die de software perfect kan middelen, waardoor de kristalstructuur ineens heel duidelijk wordt.

Waarom is dit belangrijk?

• Snelheid: Computers hoeven niet meer te gissen. Ze kunnen veel sneller en nauwkeuriger de structuur van materialen lezen.
• Detail: Zelfs heel kleine details (zoals dunne laagjes in een materiaal) blijven zichtbaar. Oude methodes maakten deze vaak "wazig" door ze te middelen met de omgeving, maar NLSTEM houdt ze scherp.
• Toekomst: Dit betekent dat we sneller nieuwe materialen kunnen ontwikkelen voor de auto-industrie, de luchtvaart en de energieopslag, omdat we de microscopische wereld eindelijk "schoon" kunnen zien.

Kortom:
NLSTEM is als een slimme editor die een wazige, ruisende foto van atomen neemt, alle onnodige ruis verwijdert door te kijken naar wat de buren zien, en een kristalhelder beeld teruggeeft. Hierdoor kunnen wetenschappers de bouwstenen van de toekomst veel beter begrijpen.

Technische samenvatting

Titel: NLSTEM: Non-lokale ruisreductie voor verbeterde 4D-STEM patroonindexering

1. Het Probleem

4D-STEM (Scanning Transmission Electron Microscopy) is een krachtige techniek voor het kwantificeren van microstructuren, zoals oriëntatie- en fasekaarten, die direct gekoppeld kan worden aan standaard TEM- en STEM-imagemodi. Een veelvoorkomende uitdaging bij het indexeren van deze diffractiedata (het bepalen van kristaloriëntatie en fase) is echter de aanwezigheid van ruis en lage signaal-ruisverhoudingen (SNR), vooral in:

• Nanogranulaire materialen: Waar één bundelpositie meerdere korrels kan doorsnijden, wat leidt tot gemengde diffractiepatronen.
• Stralingsbeschadigde materialen: Waar defecten en lokale vervormingen de Bragg-disk contrasten verminderen.
• Huidige oplossingen: Om de indexeringsnelheid te verhogen, wordt vaak gebruikgemaakt van hardware-oplossingen zoals bundelprecessie (PED). Dit verhoogt echter de kosten, verlaagt de ruimtelijke resolutie en verhoogt de acquisitietijd. Software-oplossingen zoals standaard template matching hebben moeite met dynamische diffractie-effecten en lage SNR.

2. Methodologie: Het NLSTEM-algoritme

De auteurs introduceren NLSTEM (Non-Local denoising for 4D-STEM), een post-processing algoritme dat is gebaseerd op de NLPAR-methode (Non-Local Pattern Averaging and Reindexing) die oorspronkelijk is ontwikkeld voor EBSD (Electron Backscatter Diffraction).

Kernprincipes:

• Non-lokale gemiddelde: In plaats van alleen naburige pixels te middelen, zoekt het algoritme naar vergelijkbare diffractiepatronen binnen een gedefinieerd zoekvenster ($W$) in de dataset, ongeacht hun fysieke locatie.
• Gewogen gemiddelde: Voor elk patroon $p_i$ wordt de gelijkenis berekend met andere patronen $p_j$ in het venster. Op basis van deze gelijkenis wordt een wegingsfactor $w(i,j)$ berekend die exponentieel afneemt naarmate het verschil toeneemt. Het resultaat is een nieuw, gedenoist patroon $p'_i$.

Aanpassingen voor 4D-STEM:
Het algoritme is specifiek aangepast voor de eigenschappen van 4D-STEM-data ten opzichte van EBSD:

1. Ruisdistributie: 4D-STEM-data (vooral met directe detectiecamera's) wordt gedomineerd door Poisson-ruis (waar de ruisomvang evenredig is met de wortel van de intensiteit), in plaats van Gaussische ruis. Om dit te standaardiseren, worden de intensiteiten eerst getransformeerd via $q = \sqrt{p}$, gemiddeld, en vervolgens teruggetransformeerd ($p' = (q')^2$).
2. Behandeling van verzadiging: De directe bundel en hoge intensiteitsvlekken kunnen de detector verzadigen, wat leidt tot kunstmatige hoge gelijkenis (nul ruis). NLSTEM gebruikt een masker voor de directe bundel en negeert pixels die binnen 1% van de maximale intensiteit liggen in de afstandsberekening om valse correlaties te voorkomen.
3. Parameters: De methode vereist slechts een paar parameters: de zoekstraal ($SR$), de ruisparameter ($\sigma$) en een decay-parameter ($\lambda$). In dit onderzoek werd een constante zoekstraal van $SR=4$ (80 buren) en $\lambda=1.07$ gebruikt.

3. Belangrijkste Bijdragen

• Nieuwe Post-processing: Een robuust algoritme dat de indexeringsprestaties van 4D-STEM aanzienlijk verbetert zonder extra hardware (zoals PED) te vereisen.
• Behoud van Scherpe Randen: In tegenstelling tot lokale middeling (zoals NPAR), behoudt NLSTEM scherpe grenzen en kleine microstructurele kenmerken omdat het alleen patronen middelt die structureel vergelijkbaar zijn, zelfs als ze niet fysiek naast elkaar liggen.
• Open Source Beschikbaarheid: De broncode is vrij beschikbaar gesteld en compatibel met bestaande 4D-STEM-softwarepakketten (zoals Gatan STEMx en py4DSTEM).

4. Resultaten

Het algoritme werd getest op twee materialen: nanokristallijn Nikkel (Ni) en ultrakorrelig Goud (Au) met verschillende stralingsniveaus (0, 1 en 5 dpa - displacements per atom).

• Nanokristallijn Ni:
  • Zonder NLSTEM: 90,6% van de datapunten kon worden geïndexeerd. Er waren gaten bij korrelgrenzen en drievoudige knooppunten door patroonmixing.
  • Met NLSTEM: De indexeringsgraad steeg naar >99,9%. De korrelinterieurs werden continu en de grenzen bleven scherp.
• Stralingsbeschadigd Au:
  • Bij toenemende straling (0 tot 5 dpa) daalde de indexeringsgraad in de ruwe data door defecten en verstrooiing.
  • Verrassende bevinding: Na NLSTEM-verwerking was de indexeringsgraad bij 5 dpa (sterk beschadigd) zelfs hoger dan bij het onbeschadigde monster (0 dpa).
  • Oorzaak: Ionbestraling veroorzaakt korrelgroei (minder menging) en lokale roosterkromming. Het middelen over deze gebogen roosters werkt als een "invers PED-effect", waarbij dynamische diffractie-effecten worden gedempt en het patroon quasi-kinematisch wordt, wat de template matching verbetert.
• Vergelijking met NPAR (Nearest Neighbor Averaging):
  • Bij het testen op een getemperd Ni-monster met kleine twijns (10-20 nm) bleek dat NPAR bij grotere stapgroottes (20 nm) deze fijne structuren volledig verloor.
  • NLSTEM slaagde erin om zelfs bij een stapgrootte van 20 nm de 10 nm en 20 nm twijns als continue lamellen te identificeren, wat aantoont dat het algoritme kenmerken op schaal van de stapgrootte kan behouden.

5. Betekenis en Conclusie

NLSTEM biedt een krachtige, software-gedreven oplossing om de kwaliteit van 4D-STEM oriëntatiekaarten te verbeteren. De belangrijkste implicaties zijn:

1. Hogere Indexeringsprestaties: Significante verbetering in het succespercentage van template matching, zelfs in zeer complexe en beschadigde materialen.
2. Geen Hardware Kosten: Het elimineert de noodzaak voor dure of complexe hardware-upgrades zoals bundelprecessie voor veel toepassingen.
3. Resolutiebehoud: Het lost het klassieke compromis op tussen ruisreductie en het behoud van scherpe randen/fijne details.
4. Inzicht in Schade: De bevinding dat stralingsbeschadiging de indexering kan verbeteren na verwerking, suggereert een nieuw inzicht in hoe lokale roosterkrommingen en defecten de diffractiedynamica beïnvloeden.

De methode is direct toepasbaar op bestaande datasets en maakt microstructuurkarakterisering in nanomaterialen en onder extreme omstandigheden (zoals straling) betrouwbaarder en nauwkeuriger.