High Throughput Analysis of Nanobeam Electron Diffraction Datasets using Unsupervised Clustering

Technische Samenvatting: Hoogdoorvoersanalyse van Nanobeam Elektronen-diffractie Datasets middels Ongesuperviseerd Clustering

Probleemstelling
Nanobeam elektronen-diffractie (NBED) binnen 4-dimensionale scanning transmissie-elektronenmicroscopie (4DSTEM) genereert enorme datasets waarbij diffractiepatronen bij elk punt van een 2D-scan worden opgenomen. Hoewel Virtual Dark Field (VDF)-beeldvorming en traditionele donker veld technieken de visualisatie van specifieke kristallografische kenmerken mogelijk maken, hebben zij vaak moeite met variabele contrasten door bebuiging van de monster, defecten en de moeilijkheid om talrijke korrels te segmenteren of minderheidsfasen te identificeren. Bovendien vertrouwen standaard beeldvormingsmethoden op de sommatie van ruwe intensiteit, wat diffuse achtergrondruis bevat en handmatige interventie vereist om gebieden van belang te definiëren. De auteurs identificeren een gat in de bestaande toepassingen van machine learning voor elektronenmicroscopie: eerdere clusteringstudies werkten doorgaans op ruwe diffractiepatronen (waarbij deze als afbeeldingen werden behandeld) of afgeleide eigenschappen zoals kristaloriëntatie, in plaats van direct te clusteren op ijle lijsten van diffractiepiekposities die de positie in de reciproke ruimte, de scanpositie in de reële ruimte en intensiteit gezamenlijk coderen.

Methodologie
De voorgestelde aanpak maakt gebruik van ongesuperviseerde clusteringalgoritmen, specifiek DBSCAN (Density-Based Spatial Clustering of Applications with Noise), toegepast direct op "pointsarrays". Deze arrays worden gegenereerd door diffractieschijven te detecteren in 4DSTEM-data, wat resulteert in een ijle lijst van vectoren voor elke gedetecteerde piek die de coördinaten in de reciproke ruimte ($Q_x, Q_y$), intensiteit ($I$) en de scancoördinaten in de reële ruimte ($R_x, R_y$) bevatten.

De workflow maakt gebruik van een hiërarchische, meerlagige clusteringstrategie:

1. Data Preprocessing: Diffractiepatronen worden omgezet in pointsarrays. De primaire straal wordt uitgesloten en de data wordt genormaliseerd.
2. Level 1 (L1) Clustering: Clusters worden gevormd op basis van de gelijkenis van diffractieveekters.
   • Voor polykristallijne systemen vindt clustering plaats in een 4D-ruimte ($sQ_x, sQ_y, R_x, R_y$), waarbij een schaalfactor $s$ de posities in de reciproke ruimte zwaarder weegt dan de reële ruimte. Dit scheidt pieken met vergelijkbare coördinaten in de reciproke ruimte die afkomstig zijn van verschillende fysieke locaties.
   • Voor single-crystal systemen (met precipitaten) vindt clustering plaats in 2D-reciproque ruimte ($Q_x, Q_y$) om onderscheidende diffractie-spotfamilies te identificeren.
3. Level 2 (L2) Clustering: Dit niveau groepeert L1-clusters om onderscheidende fysieke objecten (bijv. individuele korrels of kristalvarianten) te identificeren.
   • Voor polykristallen groepeert L2 clustering L1-componenten op basis van de intensiteit-gewogen Center of Mass (COM) van hun Digital Dark Field (DDF) beelden in de reële ruimte.
   • Voor single-crystals gebruikt L2 clustering een vooraf berekende Jaccard-afstandmatrix (gebaseerd op de overlap van DDF-maskers) om L1-clusters te groeperen in families van kristallen met vergelijkbare ruimtelijke en diffractie-kenmerken.
4. Level 3 (L3) Clustering: Toegepast op niet-geclusterde punten uit L1 om amorfe of diep nanocristallijne componenten te identificeren. Dit wordt uitgevoerd op de coördinaten in de reciproke ruimte ($Q_x, Q_y$) met lossere parameters om diffuse ringpatronen te vangen.
   De methode werd gevalideerd op twee verschillende monsters: een gedeeltelijk gekristalliseerde Fe$_{60}$V$_{40}$ dunne film (polykristallijn) en een plessiet-regio uit een Imilac-meteoriet (single-crystal met precipitaten).

Belangrijkste Resultaten

• Polykristallijne FeV Film: De hiërarchische aanpak slaagde erin de film te segmenteren in 52 onderscheidende kristallijne korrels (L2-clusters) en een aparte amorfe/nanocristallijne component (L3-cluster). De L3-clustering identificeerde een diffuse BCC 110-ring die overeenkomt met de ongekristalliseerde matrix en oppervlakteoxiden, die onzichtbaar waren voor de standaard L1-clustering. Het resulterende composiet Digital Dark Field-beeld visualiseerde duidelijk het proces van gedeeltelijke rekristallisatie, waarbij kristallijne korrels werden onderscheiden van de onderliggende amorfe laag.
• Meteoriet Plessiet: In een single-crystal matrix met precipitaten identificeerde L1-clustering meer dan 40 onderscheidende diffractie-spotfamilies, wat naaldvormige kenmerken en fijne structuren onthulde die niet zichtbaar waren in standaard ADF-beeldvorming. L2-clustering, gebruikmakend van beeldgelijkenis, groepeerde deze in zeven onderscheidende families. Deze analyse onthulde complexe structurele relaties: grote lamellen bleken Ni-rijke randen (tetrataenite/taenite) en anders georiënteerde Fe-rijke kernen (kamaciet) te hebben, een detail dat gemist werd door vluchtige EELS-scans. De clustering bevestigde een precipitatievolgorde waarbij taenite vormt binnen kamaciet, gevolgd door verdere segregatie in grotere lamellen.
• Prestaties: De analyse is computationeel efficiënt. Op een standaard laptop duurde het proces van data laden tot L2-clustering en visualisatie ongeveer 10 seconden voor de plessiet-dataset, met een piekgeheugengebruik van minder dan 4 GB. De ijle vectorrepresentatie vermindert de geheugenvereisten aanzienlijk vergeleken met het verwerken van ruwe 4DSTEM-datacubes.

Betekenis en Claims
Het artikel claimt dat het toepassen van ongesuperviseerde clustering direct op ijle lijsten van diffractiepieken een hoogdoorvoers, geautomatiseerde methode biedt voor het decomponeren van complexe NBED-datasets. De auteurs stellen dat deze aanpak:

1. Beeldvorming en Analyse Automatiseert: Het elimineert de noodzaak voor handmatige plaatsing van openingen (apertures) en vermindert gebruikersbias, waarbij automatisch composietbeelden van kristallijne en amorfe componenten worden gegenereerd.
2. Gevoeligheid Verhoogt: Het verbetert de zichtbaarheid van zwakke kenmerken en minderheidscomponenten (zoals kleine precipitaten of amorfe regio's) die moeilijk te detecteren zijn met conventionele TEM dark field of VDF-methoden.
3. Segmentatie Faciliteert: Het biedt een eenvoudige manier om individuele kristallen in polykristallijne materialen te segmenteren, wat directe berekening van korrelgrootte en -vorm statistieken mogelijk maakt zonder overlapproblemen.
4. Verborgen Structuren Onthult: In single-crystal systemen onthult het nanoschaal structurele details en fase-relaties (bijv. oriëntatierelaties tussen matrix en precipitaten) die niet direct duidelijk zijn uit standaard beeldvorming.

De auteurs positioneren deze methode als een voorlopige stap die de analyse van nanobeam-diffractiedata kan stroomlijnen, waardoor het gemakkelijker wordt om kenmerken van belang te identificeren voordat men overgaat tot meer gedetailleerde kristallografische of kristalgrootte/vormverdelingsanalyses. Zij merken op dat hoewel DBSCAN werd gebruikt, het framework aanpasbaar is aan andere algoritmen, en dat de keuze voor afstandmetrieken (bijv. Jaccard versus intensiteit-gewogen) een gebied blijft voor optimalisatie afhankelijk van de specifieke datasetkenmerken.