Récupération de phase de motifs de diffraction cohérente de Bragg fortement contraints par un réseau de neurones convolutionnel supervisé

Des vues plus nettes de minuscules cristaux

Beaucoup des technologies les plus prometteuses aujourd’hui — des catalyseurs améliorés pour réduire les émissions des voitures aux batteries plus efficaces — dépendent des déplacements atomiques et des contraintes à l’intérieur de minuscules cristaux. Les scientifiques peuvent sonder ces distorsions invisibles avec une puissante technique aux rayons X appelée Imagerie par Diffraction Cohérente de Bragg (BCDI), mais une étape computationnelle clé échoue souvent précisément lorsque les cristaux sont les plus contraints et les plus intéressants scientifiquement. Cet article montre comment une approche d’apprentissage profond peut sauver ces mesures difficiles, transformant des données auparavant inutilisables en images tridimensionnelles claires de nanomatériaux en fonctionnement.

Comment les rayons X révèlent des distorsions cachées

Dans une expérience BCDI, un nanocristal est illuminé par un faisceau de rayons X fortement focalisé et très cohérent. Le cristal diffuse les rayons X en un motif complexe de speckles enregistré par un détecteur éloigné. Ce motif est lié à la structure interne du cristal par une opération mathématique appelée transformée de Fourier. Malheureusement, le détecteur ne mesure que l’intensité des ondes diffusées, pas leur phase — la partie de l’onde qui encode les déplacements des atomes à l’intérieur du cristal. Reconstruire une image 3D à la fois de la densité électronique et du champ de contrainte nécessite donc des algorithmes de « récupération de phase » qui doivent inférer la phase manquante à partir de l’intensité mesurée seule.

Pourquoi les méthodes conventionnelles échouent

La récupération de phase standard repose sur des algorithmes itératifs qui font la navette entre le motif de diffraction mesuré et une estimation de l’objet en espace réel, en imposant progressivement des contraintes physiques dans chaque domaine. Cette approche fonctionne bien lorsque le cristal est faiblement contraint. Mais lorsque les distorsions internes sont fortes, elles déforment le motif de diffraction au point que les algorithmes peinent à converger. La phase récupérée peut s’enrouler plusieurs fois de 2π, la taille et la forme apparentes du cristal peuvent être mal estimées, et des dizaines d’initiations aléatoires peuvent malgré tout échouer à trouver une solution exploitable. En conséquence, de nombreuses mesures BCDI de particules fortement contraintes — souvent les plus intéressantes — sont jetées.

Un réseau de neurones qui pense en espace de diffraction

Pour traiter ce goulot d’étranglement, les auteurs entraînent un réseau de neurones convolutionnel tridimensionnel, basé sur une architecture de type UNet, pour prédire la phase manquante directement dans le même espace réciproque (de diffraction) où les données sont collectées. Ils génèrent des dizaines de milliers de motifs de diffraction simulés réalistes à partir de nanocristaux modèles aux formes variées et à des champs de contrainte forts et complexes, en ajoutant un bruit de type expérimental. Chaque motif simulé est apparié à sa phase en espace réciproque connue, que le réseau apprend à reproduire. Une fonction de perte spécialement conçue, appelée Moyenne Cohérente Pondérée (Weighted Coherent Average), permet au réseau de prendre en compte les symétries inhérentes aux données de phase — tels que décalages globaux, inversions de signe et enroulements — sans s’en laisser tromper, tout en concentrant l’apprentissage sur les parties les plus intenses et informatives du motif.

Des bancs d’essai simulés aux données du monde réel

Une fois entraîné, le réseau reçoit uniquement l’intensité de diffraction mesurée, mise à l’échelle en forme logarithmique, et produit une carte de phase tridimensionnelle complète. La combinaison de cette phase prédite avec l’intensité mesurée et l’application d’une transformée de Fourier inverse fournit immédiatement une première image 3D du cristal et de sa contrainte. Sur des données de test simulées, le réseau récupère de manière fiable des structures de phase complexes pour différentes formes de particules et profils de contrainte, produisant des reconstructions proches de la vérité terrain, même lorsque le signal est bruité. De façon cruciale, appliquées à des jeux de données expérimentales difficiles provenant de nanoparticules de platine et d’alliages platine–palladium soumises à de fortes contraintes interfaciales, les reconstructions basées sur le réseau de neurones réussissent là où la récupération itérative de phase conventionnelle échoue.

Des images de nanomatériaux en fonctionnement, plus rapides et plus nettes

Les auteurs n’abandonnent pas les algorithmes traditionnels ; au contraire, ils utilisent la sortie du réseau de neurones comme point de départ de haute qualité. Une étape de raffinement relativement courte avec des itérations standard de réduction d’erreur remet de l’ordre dans la reconstruction sans annuler la bonne estimation initiale. Cette approche hybride réduit le temps de calcul de deux à trois ordres de grandeur par rapport à l’exécution de nombreuses reconstructions conventionnelles longues, et permet l’imagerie fiable de particules fortement contraintes jusque-là hors de portée. Concrètement, le travail transforme des expériences BCDI difficiles en un outil plus routinier : les scientifiques peuvent désormais visualiser plus rapidement et de manière plus robuste l’évolution de la contrainte à l’intérieur de nanocristaux individuels pendant des réactions, des cycles électrochimiques ou des conditions extrêmes, ouvrant la voie à des matériaux et dispositifs mieux conçus.

Citation: 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

Mots-clés: Imagerie par diffraction cohérente de Bragg, récupération de phase, apprentissage profond, contrainte dans les nanostructures, microscopie aux rayons X