Mapping Order in Semicrystalline Polymers using Machine Learning of Nanobeam Electron Diffraction

Resumo Técnico: Mapeamento de Ordem em Polímeros Semicristalinos usando Aprendizado de Máquina de Difração de Elétrons de Nanobeam

Definição do Problema
Condutores eletrônicos iônicos orgânicos mistos (OMIECs) são materiais promissores para aplicações neuromórficas e bioeletrônicas, mas a relação entre sua microestrutura e propriedades de desempenho, como a mobilidade dos portadores de carga, permanece pouco compreendida. Embora a Microscopia Eletrônica de Transmissão (TEM), especificamente a TEM de varredura 4D (4DSTEM), ofereça um meio poderoso para caracterizar a heterogeneidade estrutural em escala nanométrica, analisar os padrões de difração de polímeros semicristalinos apresenta desafios significativos. Diferente de materiais altamente cristalinos, os polímeros semicristalinos exibem três morfologias distintas de sinal de difração: reflexões nítidas de empilhamento lamelar próximas ao feixe central, arcos de periodicidade de backbone nítidos, porém frequentemente assimétricos, e intensidade difusa de empilhamento $\pi$-$\pi$ distribuída sobre o halo amorfo.

Algoritmos convencionais de correspondência de modelos correlativos (por exemplo, no toolkit py4DSTEM) lutam contra essa complexidade. Esses métodos exigem o ajuste manual de múltiplos hiperparâmetros para cada classe de pico, o que frequentemente leva a um compromisso onde a otimização da detecção para um tipo de pico aumenta as taxas de erro para outros. Além disso, as amostras de polímeros são altamente sensíveis ao feixe, o que exige imagens de baixa dose que resultam em padrões de difração com relações sinal-ruído muito baixas. Isso leva a erros do Tipo I (falsos positivos provenientes do ruído) e erros do Tipo II (picos fracos perdidos), dificultando o mapeamento preciso de orientação e a análise microestrutural.

Metodologia
Para abordar essas limitações, os autores desenvolveram um modelo de aprendizado de máquina (ML) baseado em uma arquitetura U-Net para automatizar a detecção de picos de Bragg em conjuntos de dados 4DSTEM ruidosos.

• Geração de Dados Sintéticos: Como as posições e intensidades reais dos picos são desconhecidas em dados experimentais, a equipe gerou 500.000 imagens sintéticas de treinamento. Essas simulações incluíram conjuntos de referência (ground-truth) de picos $\pi$-$\pi$, lamelares e de backbone, juntamente com halos amorfos e ruído. O processo de geração utilizou "receitas" com estatística de Poisson para variar a intensidade do pico, distância radial, dispersão anular e assimetria, garantindo que o modelo fosse robusto a diversas variações morfológicas.
• Arquitetura do Modelo: O modelo U-Net recebe um padrão de difração de 256$\times$256 como entrada e produz dois canais de 256$\times$256: um para a posição do pico (modelado como distribuições Gaussianas 2D nítidas) e outro para a intensidade do pico (modelado como círculos amplos). A arquitetura consiste em quatro camadas com três convoluções por camada, começando com 32 filtros e um tamanho de kernel de 3$\times$3.
• Treinamento e Inferência: O modelo foi treinado por 200 épocas, com os pesos selecionados na época 191, onde as perdas de treinamento e validação foram mais baixas. Durante a inferência, um filtro Gaussiano suprime o ruído no canal de posição, seguido por um critério de máximo local para identificar candidatos a picos. As coordenadas são refinadas com precisão de subpixel via ajuste quadrático, e as intensidades são amostradas do canal de intensidade nestas coordenadas refinadas.
• Eficiência de Parâmetros: O método requer apenas um único limiar de detecção especificado pelo usuário, uma redução significativa em comparação aos 15 hiperparâmetros frequentemente necessários para o ajuste manual em métodos correlativos.

Principais Resultados
O modelo foi validado utilizando conjuntos de dados sintéticos separados e dados 4DSTEM experimentais de uma amostra de p(g3T2) oxidada.

• Desempenho em Dados Sintéticos: O F1-score do modelo (média harmônica de precisão e recall) melhorou monotonicamente com a intensidade do pico e a distância radial para os picos lamelares e de backbone. Limiares de detecção foram estabelecidos em aproximadamente 50 contagens para picos lamelares e 60–80 contagens para picos de backbone. Para os picos $\pi$-$\pi$, o desempenho de detecção dependeu da dispersão anular, com limiares variando de 150 a 800 contagens. O modelo demonstrou robustez mesmo quando os picos lamelares sobrepunham parcialmente o feixe central.
• Comparação Experimental: Quando aplicado a um conjunto de dados de p(g3T2) oxidada, o modelo de ML superou significativamente o algoritmo correlativo convencional:
  • Picos Lamelares: Detectou 50.579 picos (84,90% das posições de sonda) versus 7.529 picos (23,57%) pelo método correlativo.
  • Picos de Backbone: Detectou 49.490 picos (78,94%) versus 23.006 picos (65,62%).
  • Picos $\pi$-$\pi$: Detectou 76.815 picos (95,81%) versus 25.569 picos (60,05%).
  • Cobertura Geral: O modelo de ML alcançou detecção de picos em 99,65% do total de posições de sonda, comparado a 85,16% para o algoritmo correlativo.
• Velocidade de Processamento: O modelo de ML processou o conjunto de dados em 3 minutos e 20 segundos em uma GPU, aproximadamente 5,5 vezes mais rápido que os 18 minutos e 21 segundos exigidos pelo algoritmo correlativo.
• Mapeamento de Orientação: Mapas de orientação gerados a partir dos picos detectados pelo ML revelaram domínios cristalinos quase contínuos, particularmente para o empilhamento lamelar, enquanto os mapas baseados em correlação pareceram fragmentados. Isso sugere que a "perda" anterior de ordem foi um artefato de insuficiência de sensibilidade de detecção, e não de baixa cristalinidade.

Significância e Alegações
O artigo alega que esta abordagem de ML fornece um método mais preciso, robusto e amigável para analisar microestruturas de polímeros semicristalinos. Ao eliminar a necessidade de extenso ajuste de hiperparâmetros e melhorar a detecção de picos fracos e morfologicamente distintos, o método permite a extração mais completa de informações de conjuntos de dados 4DSTEM.

Os autores destacam que a eficiência computacional do modelo torna viável a visualização de experimentos 4DSTEM em tempo quase real, permitindo que os operadores ajustem as condições experimentais durante a aquisição. Embora o modelo tenha sido testado em sistemas específicos de OMIEC (p(g3T2) oxidado e reduzido, e PB2T-TEG reduzido), os autores sugerem que a abordagem pode ser viável para outros materiais de baixa dispersão, embora o retreinamento ou ajuste possa ser necessário para classes de materiais significativamente diferentes. O estudo conclui que melhorias futuras poderiam envolver a expansão dos conjuntos de treinamento para incluir casos extremos, como harmônicos de picos e configurações de picos mais complexas, para aumentar ainda mais a robustez.