Benchmarking Machine Learning Approaches for Polarization Mapping in Ferroelectrics Using 4D-STEM

这篇论文题为《利用 4D-STEM 进行铁电体极化映射的机器学习方法基准测试》（Benchmarking Machine Learning Approaches for Polarization Mapping in Ferroelectrics Using 4D-STEM），由来自斯洛文尼亚约瑟夫·斯特凡研究所（Jožef Stefan Institute）的研究团队完成。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 背景：四维扫描透射电子显微镜（4D-STEM）能够提供原子尺度的材料结构信息，对于理解铁电材料（如钛酸铅钾钠 KNN）的功能特性至关重要。铁电材料的自发极化方向决定了其宏观性能。
• 挑战：
  • 从 4D-STEM 衍射图案中提取极化方向传统上依赖人工检查或需要大量先验知识的刚性算法，效率低下且难以识别细微的极化偏移或异常特征。
  • 虽然机器学习（ML）提供了自动化潜力，但**合成数据（模拟）与实验数据之间的“域差距”（Domain Gap）**是一个主要障碍。在理想化模拟数据上训练良好的模型，往往无法直接泛化到充满噪声和复杂物理效应的真实实验数据。
  • 现有的研究多侧重于展示单一模型的成功，缺乏对不同架构、训练策略以及合成到实验迁移能力的系统性基准测试。

2. 方法论 (Methodology)

2.1 数据集构建

• 合成数据：使用 QSTEM 软件模拟了无铅铁电体 KNN（(K0.5Na0.5)NbO3）的 4D-STEM 衍射图案。
  • 基于 2×2×50 个晶胞的模型，模拟了 8 种不同的 Nb 原子位移方向（对应 8 种极化方向）。
  • 生成了不同厚度（20 nm, 50 nm）和不同横向尺寸（2×2, 4×4, 6×6 晶胞）的测试集，以评估模型的鲁棒性。
  • 构建了包含氧空位缺陷的合成数据集，用于测试异常检测能力。
• 实验数据：使用球差校正扫描透射电子显微镜（ARM200CF）采集了 KNN 晶体的 4D-STEM 数据（128×128 网格，20 nm 厚度）。极化方向通过 HAADF 图像分析人工标记作为真值（Ground Truth）。

2.2 预处理与增强

为了解决域差距，研究引入了关键的预处理步骤：

• 质心（CoM）裁剪：基于衍射斑点的质心计算，校正探测器与光轴的系统偏差，确保裁剪区域（64×64 像素）始终对准衍射盘中心，保留极化引起的微小位移。
• 过滤（Filtering）：仅保留电子束位移幅度（M）高于平均值的合成样本进行训练。这去除了弱极化（近中心对称）的模糊样本，迫使模型学习具有明显极化特征的样本，防止过拟合于噪声。
• 数据增强：在训练集上应用自适应高斯平滑、亮度/对比度调整和噪声注入，以模拟实验中的散焦、曝光变化和探测器噪声。

2.3 模型架构与训练策略

研究对比了四种模型架构和三种训练范式：

• 模型架构：
  • ResNet 和 VGG：在 ImageNet 上预训练的迁移学习模型（修改为单通道输入）。
  • Custom CNN：从头训练的浅层卷积神经网络（3 层卷积），旨在防止过拟合。
  • PCA + k-NN：传统机器学习流程，先降维（保留 20 个主成分），再使用 k-近邻分类。
• 训练范式：
  • 分类（Classification）：直接预测 8 个极化类别的标签（交叉熵损失）。
  • 回归（Regression）：预测极化方向的连续单位向量（MSE 损失），利用极化方向的几何连续性。
  • 原型表示（Prototype Representation）：学习每个极化方向的代表性嵌入向量。通过计算类内样本的平均嵌入（原型），利用软目标分布（考虑类间的圆形距离）和 KL 散度进行训练。

3. 主要贡献 (Key Contributions)

1. 系统性基准测试：首次系统比较了预训练 CNN、自定义 CNN 和 PCA-kNN 在 4D-STEM 极化映射任务中的表现。
2. 训练范式对比：深入评估了分类、回归和原型学习三种策略在处理极化方向几何关系及噪声方面的差异。
3. 域差距分析：揭示了标准深度学习模型在合成数据上表现优异但在实验数据上失效的原因，并证明原型表示学习结合数据过滤和增强是缩小合成 - 实验域差距的有效途径。
4. 缺陷检测潜力：展示了监督模型在合成数据上的误分类模式可以与晶体结构缺陷（如氧空位）相关联，为利用 ML 进行结构缺陷检测提供了新思路。

4. 实验结果 (Results)

4.1 合成到合成（Synthetic-to-Synthetic）

• 在结构相同的合成测试集上，所有模型（包括无增强的）均能达到 >99% 的准确率。
• 当测试集厚度增加到 50 nm 时，所有模型性能急剧下降。这是因为厚样品中的动力学电子散射变得复杂，破坏了薄样品模拟的线性投影假设。

4.2 合成到实验（Synthetic-to-Experimental）

• 无增强/无过滤：所有模型在实验数据上表现极差（准确率接近 0% 或随机猜测），证实了巨大的域差距。
• 仅增强：部分模型出现不收敛现象，回归模型倾向于只预测两个类别（RU 和 RM），表现出严重的偏差。
• 增强 + 过滤（最佳配置）：
  • PCA + k-NN 和 Custom CNN (Prototype) 表现最佳。
  • 这两个方法能够正确预测所有实验数据集的多数类（Majority Class）（即整个结构的整体极化方向）。
  • ResNet 和 VGG 即使在微调后，在实验数据上表现依然不佳，说明 ImageNet 预训练特征对 4D-STEM 衍射图案的迁移性有限。
  • 局限性：尽管能识别整体极化方向，但在像素级（单衍射图案）分类上，准确率仍较低（约 40%），且标准差较大，表明结果受随机种子影响显著，尚未达到像素级可靠分类的水平。

4.3 误差分析与缺陷检测

• 误分类模式：模型倾向于将样本误分类为与真实类别相邻的极化方向，这表明模型在一定程度上捕捉到了极化方向的几何连续性。
• 缺陷检测：在含有氧空位的合成数据中，PCA 方法成功识别出了缺陷位置（表现为极化方向的局部异常），而 Conv (Proto) 未能识别。这表明 PCA 提取的特征更接近传统的质心物理特征，对局部结构扰动更敏感；而深度学习模型学习到的特征可能与特定的异常信号不相关。
• 预处理的影响：虽然增强和过滤提高了极化分类的准确性，但同时也掩盖了缺陷引起的细微信号变化，降低了缺陷检测的灵敏度。

5. 意义与结论 (Significance & Conclusion)

• 方法论指导：该研究证明，对于 4D-STEM 这种高噪声、小样本（相对深度学习需求）且存在巨大域差距的任务，简单的迁移学习（如使用 ImageNet 预训练模型）往往无效。相反，**针对物理特性设计的预处理（如基于 CoM 的过滤）结合原型表示学习或传统降维方法（PCA）**更为有效。
• 物理洞察：研究揭示了并非所有衍射图案都包含足够的极化信息（例如原子柱之间的区域信号较弱），且厚样品（>20 nm）的多重散射效应是目前基于薄样品模拟训练的 ML 模型无法克服的物理瓶颈。
• 未来方向：虽然目前模型尚不能实现完美的像素级极化映射，但其在识别整体极化状态和潜在结构缺陷方面展示了巨大潜力。未来的工作将集中在利用更多实验数据微调模型，以及探索专门针对电子显微镜图像预训练的模型，以进一步缩小域差距。

总结：这篇论文通过严谨的基准测试，为利用机器学习处理 4D-STEM 数据提供了重要的实践指南，强调了数据预处理策略和模型选择对克服“模拟 - 实验”鸿沟的关键作用，并指出了当前技术在厚样品和缺陷检测方面的物理局限性。