استعادة الطور لأنماط حيود براج متوترة للغاية باستخدام شبكة عصبية التفافية خاضعة للإشراف

رؤى أوضح للبلورات الدقيقة

تعتمد العديد من التقنيات الواعدة اليوم — من محفزات أفضل لسيارات أنظف إلى بطاريات أكثر كفاءة — على كيفية تحرك الذرات وإجهادها داخل البلورات الصغيرة. يمكن للعلماء فحص هذه التشوّهات غير المرئية بتقنية أشعة سينية قوية تُسمى تصوير حيود براج التماسك (BCDI)، لكن خطوة حسابية رئيسية غالبًا ما تفشل بالذات عندما تكون البلورات في أقصى درجات الإجهاد والمهمة علميًا. تُظهر هذه الورقة كيف يمكن لنهج قائم على التعلّم العميق إنقاذ هذه القياسات الصعبة، محوِّلاً بيانات كانت غير قابلة للاستخدام سابقًا إلى صور ثلاثية الأبعاد واضحة للمواد النانوية العاملة.

كيف تكشف الأشعة السينية التشوّهات الخفية

في تجربة BCDI، تُضاء بلورة نانوية بشعاع أشعة سينية عالي التماسك ومركز بشدة. تشتت البلورة الأشعة السينية إلى نمط بقعي معقّد تُسجّله كاشف بعيد. يرتبط ذلك النمط ببنية البلورة الداخلية عبر عملية رياضياتية تُدعى تحويل فورييه. ومع ذلك، يقيس الكاشف شدة الموجات المتشتتة فقط، وليس طورها — الجزء من الموجة الذي يشفر كيفية إزاحة الذرات داخل البلورة. لذا فإن إعادة بناء صورة ثلاثية الأبعاد لكل من كثافة الإلكترونات ومجال الإجهاد يتطلب خوارزميات «استرجاع الطور» التي يجب أن تستنتج الطور المفقود من الشدة المقاسة وحدها.

لماذا تفشل الطرق التقليدية

تعتمد استعادة الطور التقليدية على خوارزميات تكرارية تتنقل بين نمط الحيود المقاس وتخمين للكائن في فضاء الواقع، مفروضة تدريجيًا قيودًا في كل فضاء. تعمل هذه المقاربة جيدًا عندما تكون البلورة متوترة بشكل طفيف فقط. لكن عندما تكون التشوهات الداخلية قوية، فإنها تشوّه نمط الحيود بشدة حتى تكافح الخوارزميات من أجل التقارب. قد يلتف الطور عدة مرات بمقدار 2π، وقد يُقدَّر حجم وشكل البلورة بشكل خاطئ، وقد تفشل عشرات البدايات العشوائية في إيجاد حل قابل للاستخدام. نتيجة لذلك، يتم استبعاد العديد من قياسات BCDI للجسيمات شديدة الإجهاد والتي غالبًا ما تكون الأكثر أهمية.

شبكة عصبية تفكّر في فضاء الحيود

لمعالجة هذا القيد، يدرب المؤلفون شبكة عصبية التفافية ثلاثية الأبعاد، مُستندة إلى بنية شبيهة بـUNet، للتنبؤ بالطور المفقود مباشرة في نفس فضاء المقابل (فضاء الحيود) الذي تُجمع فيه البيانات. يولّدون عشرات الآلاف من أنماط الحيود المحاكية الواقعية من بلورات نانوية نموذجية ذات أشكال متنوعة وحقول إجهاد قوية ومعقّدة، مع إضافة ضوضاء تحاكي التجارب. يُقرَن كل نمط مُحاكٍ بمرحلة فضاء المقابل المعروفة له، والتي تتعلم الشبكة إعادة إنتاجها. دالة خسارة مصممة خصيصًا تُسمى المتوسط التوافقي الموزون تُمكِّن الشبكة من مراعاة التماثلات المتأصلة في بيانات الطور — مثل الإزاحات العامة، وتغيّر الإشارة، والالتفاف — دون أن تضلّلها، مع توجيه جهد التعلم إلى الأجزاء الأكثر كثافة وغنىً بالمعلومات من النمط.

من معايير المحاكاة إلى بيانات العالم الحقيقي

بمجرد أن تُدرّب الشبكة، تُغذَّى فقط بشدة الحيود المقاسة، بعد تحويلها إلى شكل لوغاريتمي، وتنتج خارجة خريطة طور ثلاثية الأبعاد كاملة. يؤدي جمع هذا الطور المتوقّع مع الشدة المقاسة وتطبيق تحويل فورييه عكسي فورًا إلى أول صورة ثلاثية الأبعاد للبلورة وإجهادها. على بيانات اختبار محاكاة، تستعيد الشبكة بثبات تراكيب طور معقدة لأشكال جسيمات ومقاييس إجهاد مختلفة، منتجة إعادة بناء تطابق إلى حد كبير الحقيقة الأساسية، حتى عندما يكون الإشارة صاخبة. والأهم من ذلك، عندما تُطبق على مجموعات بيانات تجريبية صعبة من جسيمات بلاتين وبلاتين–بالاديم خاضعة لإجهاد وجهي قوي، تنجح عمليات إعادة البناء القائمة على الشبكة العصبية حيث تفشل طرق استرجاع الطور التكرارية التقليدية بمفردها.

صور أسرع وأكثر وضوحًا للمواد النانوية العاملة

لا يتخلى المؤلفون عن الخوارزميات التقليدية؛ بل يستخدمون مخرجات الشبكة العصبية كنقطة انطلاق عالية الجودة. مرحلة تنقيح قصيرة نسبيًا باستخدام تكرارات التقليص الخطأ ترتب إعادة الإعمار دون إلغاء التخمين الابتدائي الجيد. تقصّر هذه المقاربة الهجينة زمن الحساب بمقدار يتراوح بين بضعة إلى ثلاثة أوامر من الحجم مقارنةً بتشغيل العديد من عمليات إعادة الإعمار التقليدية الطويلة، وتفتح إمكانية تصوير موثوق للجسيمات شديدة الإجهاد التي كانت سابقًا بعيدة المنال. عمليًا، يحول هذا العمل تجارب BCDI الصعبة إلى أداة أكثر روتينية: يمكن للعلماء الآن تصور كيفية تطور الإجهاد داخل بلورات نانوية مفردة أثناء التفاعلات أو دورات كهروكيميائية أو ظروف قصوى بشكل أسرع وأكثر متانة، ما يفتح الباب لتصميم مواد وأجهزة أفضل.

الاستشهاد: Masto, M., Favre-Nicolin, V., Leake, S. et al. Phase retrieval of highly strained Bragg coherent diffraction patterns using supervised convolutional neural network. npj Comput Mater 12, 164 (2026). https://doi.org/10.1038/s41524-026-02017-w

الكلمات المفتاحية: تصوير حيود براج التماسك, استرجاع الطور, التعلّم العميق, إجهاد الهياكل النانوية, مجهريات الأشعة السينية