מסגרת עיבוד מקדימה מאוחדת לניתוח דפוסי דיפרקציה בקצב גבוה

לראות אטומים בצורה ברורה יותר

מיקרוסקופים מתקדמים יכולים כיום לצפות באיך אטומים מסודרים בתוך חומרים ולעזור למדענים לתכנן סוללות, סגסוגות ואלקטרוניקה טובים יותר. אך התמונות הגולמיות שכלי זה מפיקים לעיתים קרובות מלוכלכות ומעוותות, מה שמקשה להוציא מספרים מהימנים. מאמר זה מציג מערכת בינה מלאכותית חדשה, הנקראת 4D‑PreNet, שמנקה אוטומטית את הנתונים האלה כדי שחוקרים יוכלו להתמקד בהבנת החומרים במקום להיאבק בתמונות רועשות.

מדוע דפוסי אלקטרונים חשובים

בטכניקה הידועה כסריקת מיקרוסקופיית מעבר אלקטרונים תלת‑ממדית‑ממדי, או 4D‑STEM, קרן אלקטרונים ממוקדת סורקת את הדגימה. בכל מיקום המיקרוסקופ מקליט דפוס קטן בדמות "מופע זיקוקים" שנוצר כאשר האלקטרונים פזורים על ידי האטומים. איסוף תמונה מלאה בכל נקודה יוצר מערום נתונים עצום שיכול לחשוף מתיחות, כיוון גבישי ומפגעים בקנה מידה אטומי. הבעיה היא שהדפוסים האלה נפגמים בקלות על ידי רעש אקראי, הזזות קטנות במיקום הקרן ומתיחות עדינה שהופכת טבעות מעגליות לאליפסות. אפילו טעות של פיקסל אחד במרכז הקרן עלולה להוביל למדידות מטעות של מידת המתיחה או הלחיצה של חומר.

כלי אחד במקום רבים

באופן מסורתי, מדענים הסתמכו על ארגז כלים מפולג של אלגוריתמים נפרדים לניקוי נתוני 4D‑STEM: אחד להסרת רעש, אחר למציאת מרכז הקרן ועוד אחד לתיקון עיוות גאומטרי. כל שלב לרוב דורש כוונון ידני קפדני עבור כל חומר או ניסוי חדש, מה שהוא איטי ופגיע. מחברי המאמר מציעים את 4D‑PreNet כפתרון מאוחד מקצה‑לקצה. זהו צינור למידה עמוקה שלוקח דפוסי דיפרקציה גולמיים ובמעבר יחיד מסיר רעש, ממרכז מחדש את הקרן ומיישר עיוותים אליפטיים, ומפיק נתונים המוכנים לניתוח כמותי.

איך המסנן החכם עובד

4D‑PreNet בנוי משלוש רשתות עצביות מתמחות המסודרות ברצף. הרשת הראשונה פועלת כמסנן רעש חכם, לומדת להסיר כתמי רעש אקראיים תוך שמירה על הנקודות והטבעות העדינות שנושאות משמעות פיזיקלית. הרשת השנייה לומדת לזהות במדויק את מרכז דפוס הדיפרקציה באמינות טובה מחלקיק פיקסל, ואז מזיזה דיגיטלית את התמונה כך שכל הדפוסים מיושרים לאותה התייחסות. הרשת השלישית בוחנת דפוס ממוצע ממיקומי הגלאי הרבים ומעריכה עד כמה הוא נמתח או הוטה, ולאחר מכן מיישמת את ההפיכה המתאימה כדי לשחזר סימטריה מעגלית. כדי לאמן רשתות אלה, החוקרים ייצרו כמויות עצומות של דפוסים מדומים ריאליסטיים, הכוללים חומרים, כיוונים, רמות רעש וסוגי עיוותים רבים, כך שהמערכת תהיה חסינה מול ניסויים אמיתיים.

נתונים חדים יותר, ניסויים מהירים יותר

בדיקות על נתונים מדומים וניסיוניים מראות כי 4D‑PreNet משפר משמעותית את איכות התמונה. הוא חותך בערך בחצי את השגיאה הממוצעת בעוצמת הפיקסל ומחזק מדד סטנדרטי של יחס אות לרעש במספר דציבלים, כלומר הפרטים מתבהרים הרבה יותר. בזיהוי מרכז הקרן, השגיאה הממוצעת שלו היא כ‑שליש פיקסל, טוב בהרבה משיטות נפוצות המבוססות על ממוצעים של עוצמה או סימטריה. הרשת גם מפחיתה מדדים של חוסר אחידות בטבעות הדיפרקציה, מה שמעיד על כך שהדפוסים המתוחים מתוקנים. חשוב לציין, כל זה נעשה באופן אוטומטי: מערך נתונים גדול של 4D‑STEM ניתן לעיבוד בתוך דקות על כרטיס גרפי מודרני, ללא כוונון ידני.

בכיוון מיפוי אטומי בלחיצת כפתור

על‑ידי הפיכת נתוני דיפרקציה מבולגנים לדפוסים נקיים ומיושרים בשלב אוטומטי יחיד, 4D‑PreNet מסייע לשחרר את מלוא העוצמה של 4D‑STEM. חוקרים יכולים למפות הרבה יותר בביטחון מתיחות, כיוון גבישי ושינויים מבניים עדינים על פני דגימה, והם יכולים לעשות זאת בקצב הנדרש לניסויים בקצב גבוה או אפילו בזמן אמת. במלים פשוטות, עבודה זו מקרבת את מיקרוסקופיית האלקטרונים לכלי שלמעשה עובד בלחיצת כפתור: המדענים מזינים מדידות גולמיות, והמערכת מטפלת בשקט בניקוי המורכב מאחורי הקלעים, ומספקת תמונות מהימנות של סידור האטומים בחומרים מתקדמים.

ציטוט: Liu, M., Mao, Z., Liu, Z. et al. A Unified preprocessing framework for high-throughput diffraction pattern analysis. npj Comput Mater 12, 145 (2026). https://doi.org/10.1038/s41524-026-01993-3

מילות מפתח: 4D-STEM, מיקרוסקופיית אלקטרונים, למידה עמוקה, ניתוח דיפרקציה, אפיונן חומרים