Neural Object Detection for 4D STEM: High-Throughput Sub-Pixel Electron Diffraction Pattern Recognition
本文提出了一种具有亚像素定位和异步处理能力的端到端神经网络框架,该框架能够实现 4D-STEM 数据集的高吞吐量、高精度应变映射和相识别,达到了每秒超过 100 帧的速率以及 5x 的应变测量精度。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
在材料科学领域,理解物质的隐形结构对于制造从更快的计算机芯片到更坚固的飞机合金等一切事物都至关重要。科学家们经常求助于一种强大的工具——透射电子显微术,它利用电子束来窥视极薄的材料切片。当这些电子穿过晶体时,它们会以特定的模式进行散射,这种模式就像指纹一样,揭示了原子的精确排列。在一种被称为四维扫描透射电子显微术的现代变体技术中,研究人员通过一个微小的电子探针扫描样品,并在每一个点捕捉完整的衍射图样。这创造了一个庞大的、多层的数据集,包含了关于材料内部结构、应变和成分的丰富信息。然而,单次实验产生的海量数据可能会令人难以承受,其容量往往达到数百个千兆字节甚至太字节。分析这些如山一般的资料传统上是一个缓慢且手动的过程,需要科学家费力地逐一测量图样,这限制了新材料被发现和理解的速度。
为了克服这一瓶ار颈,一个研究小组开发了一种新方法,利用人工智能来自动分析这些复杂的电子图样。他们没有依赖于需要人工干预的传统逐步计算,而是训练了一个神经网络——一种模仿人类大脑的计算机程序——来以极高的速度和精度识别并定位电子散射的特定位置,即所谓的布拉格圆盘(Bragg discs)。研究人员构建了一个类似于高效目标检测器的系统,类似于用于识别自动驾驶汽车中车辆的软件,但经过调整以寻找电子衍射图样中的微小亚原子特征。通过教会该系统将这些图样的中心精确到像素的几分之一,他们创建了一个处理速度能与显微镜采集速度相匹配的工作流。这种方法用一个精简的端到端流程取代了旧有的缓慢方法,该流程可以在标准的台式计算机上运行,将过去长达数天的任务缩短为仅需数秒。
该团队在两种截然不同的材料上测试了他们的新系统,以证明其可靠性。首先,他们检查了一个由硅和硅锗交替层组成的标准样品,这种材料常用于基准测试仪器测量原子间距微小畸变的能力。人工智能模型成功绘制了这些层内的应变(即拉伸和压缩)图谱。它探测到的原子点阵变化具有极高的精度,以至于在样品未受应变的部分,测量结果几乎没有误差,从而证实该系统能够区分真实的物理变化与噪声。研究人员发现,该系统测得的硅锗层应变为约 0.8%,完全符合理论预期,同时还能识别出空间分辨率约为 2.5 纳米的层间边界。
接下来,研究人员将他们的方法应用于一个更复杂的挑战:一种包含多种不同晶相混合在一起的钛铌金属合金。在这样的材料中,不同区域可能存在重叠的图样,使用传统成像技术很难将其拆解。然而,神经网络迅速识别出了属于每个物相的独特图样,并绘制出了相干析出相(即嵌入在主金属结构中的微小有序晶体)的位置。它揭示了这些嵌入的晶体是如何引起周围金属点阵产生特定类型的应变和旋转的。该系统在短短两分多钟内处理了超过 16,000 个衍射图样,实现了超过每秒 120 帧的处理速度。这种快速分析使团队能够在无需手动检查每张图像的情况下,实现对不同晶体结构及其相互作用力的复杂“舞蹈”的可视化。
这项工作的意义在于它能够几乎瞬间将庞大且难以处理的数据集转化为清晰、可操作的见解。通过使用异步工作流(即数据在不等待前一步完成的情况下持续进行处理),该系统消除了通常会减慢科学发现进程的延迟。研究人员证明,这种方法不仅是一项理论上的改进,更是一个能够应对现实实验条件(包括样品厚度和信号质量的变化)的实用工具。该方法实现的准确度足以媲美甚至超过传统技术,同时其运行速度在以前是无法想象的。这一突破表明,在不久的将来,科学家将能够实时分析复杂材料,从而在实验过程中进行即时调整,并加速能源、电子和工程领域新技术的开发。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。