RESIRE-Net enables accurate 3D atomic structure determination from limited-angle electron tomography
本文介绍了 RESIRE-Net，这是一种结合了 3D U-Net 与实空间迭代重建的自监督学习框架，通过在无需外部训练数据的情况下克服缺失楔形伪影的限制，显著提高了电子断层扫描中的 3D 原子位置精度和化学识别能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
为了了解材料的内部运作机制，科学家们通常需要从三维角度观察它，甚至要深入到单个原子的水平。想象一下，你试图理解一座复杂建筑的结构，但你只能从正面和侧面观察，永远无法从上方或下方进行观察。这就是使用电子断层扫描技术来绘制材料原子架构的研究人员所面临的基本挑战。通过从不同角度向微小标本发射电子束，他们可以构建出一幅三维图像。然而，显微镜的物理限制和样品的形状通常会阻止他们将标本倾斜到足够的角度，从而无法捕捉到完整的圆周视角。这种缺失的角度范围在数据中留下了一个缺口，一个盲点，它会扭曲最终的图像，使原子被拉伸并模糊其真实位置。如果没有清晰的视野，就很难发现缺陷、测量应变或理解不同的化学元素是如何排列的，而所有这些对于设计更坚固、更高效的材料都至关重要。
加州大学洛杉矶分校的一个研究小组开发出一种新方法来解决这个问题，将数学上的局限性转化为一个可解的谜题。他们创建了一个名为 RESIRE-Net 的系统，该系统结合了强大的重建算法和一种自教导的人工智能。该系统并不依赖于庞大的现有图像库来教计算机什么是完美的原子，而是直接从它正在检查的具体样本中学习。它的工作原理是：获取由有限角度数据生成的初始且不完美的 3D 地图，并将其向每一个可能的方向旋转。对于每一个新角度，系统都会模拟如果能够倾斜到那么大的角度，显微镜会看到什么，然后再次重建该视图。通过将扭曲的、旋转后的视图与稍显不那么扭曲的原图进行比较，该网络学会了识别并消除由缺失角度引起的特定模糊和拉伸。它本质上是在教自己如何填补空白，通过每一次学习循环来精炼图像。
当研究人员将这种方法应用于由金属玻璃和中熵合金组成的模拟纳米颗粒时，结果令人瞩目。在金属玻璃模拟中，他们定位原子位置的精度得到了显著提升，将平均误差从 21 皮米缩减到了 14 皮米。皮米是一兆分之一米，在这个尺度上，即使是极小的误差减少也代表着清晰度的巨大飞跃。该系统在识别哪些原子属于哪种化学元素方面也变得更加出色，几乎正确分类了模拟中的每一个原子，而之前的方法则漏掉或误认了相当数量的原子。在另一个使用模拟中熵合金的测试中，定位原子的误差从 24 皮米降至 15 皮米，且区分不同类型原子的能力从约 93% 的准确率提高到了 99% 以上。这些改进不仅仅在于让图像看起来更清晰；它们意味着计算机可以找到实际存在的更多原子，并忽略那些经常干扰分析的虚假信号。
真正的考验出现在团队将 RESIRE-Net 应用于来自中熵合金纳米颗粒的真实实验数据时。在这些物理样本中，缺失角度的问题通常会抹平不同晶体区域之间的边界，使得很难观察到一个结构的结束与另一个结构的开始。新系统成功地锐化了信息缺失方向上的原子峰值，使单个原子清晰可见，同时没有丢失材料的微妙特征，例如晶体结构翻转的孪晶界。合金内的化学有序性（描述了不同元素如何偏好彼此相邻）保持完好，并以更高的清晰度被揭示出来。研究人员发现，该系统能够以先前对于这些困难样本而言无法达到的精度，恢复原子的真实三维位置，且无需完美的参考图像进行引导。
这项工作表明，通过教导人工智能去理解显微镜及其观察样本的特定物理特性，科学家们可以克服长期以来限制其视野的物理障碍。该方法不需要完美的“地面真值”或庞大的训练图像数据库，这使其成为研究独特、单一材料的一种实用工具。通过减少由缺失角度引起的失真，RESIRE-Net 让研究人员能够以全新的保真度观察原子世界，揭示决定材料行为的细微缺陷和化学排列。随着材料科学领域向着以原子级精度设计物质的方向推进，能够可靠映射这些结构（即便是在数据不完美的情况下）的工具，对于将理论设计转化为现实世界的突破将至关重要。
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。