強く歪んだブラーグコヒーレント回折パターンの位相回復を教師あり畳み込みニューラルネットワークで行う

小さな結晶をより鮮明に見る

今日の有望技術の多くは、よりクリーンな自動車のための触媒や効率的な電池など、微小な結晶内部で原子がどのようにずれ、歪むかに依存しています。科学者はブラーグコヒーレント回折イメージング（BCDI）という強力なX線手法でこれらの目に見えない歪みを調べられますが、計算上の重要なステップは、結晶が最も歪んでいて科学的に興味深いときに失敗しがちです。本論文はディープラーニング手法がそのような困難な測定を救い、従来は使えなかったデータを動作中のナノ材料の明瞭な三次元像へと変える方法を示します。

X線はどうやって隠れた歪みを明らかにするか

BCDI実験では、ナノ結晶を強く収束させた高コヒーレントなX線ビームで照射します。結晶はX線を散乱し、遠方の検出器に記録される複雑なスペックルパターンを作ります。そのパターンはフーリエ変換と呼ばれる数学的操作によって結晶の内部構造と結びつきます。しかし検出器は散乱波の強度しか測れず、位相—結晶内で原子がどのように変位しているかを符号化する波の部分—は測定しません。したがって、電子密度と歪み場の両方の三次元像を再構成するには、測定された強度だけから失われた位相を推定する「位相回復」アルゴリズムが必要です。

従来法が破綻する理由

標準的な位相回復は、測定された回折パターンと実空間オブジェクトの推定を行き来しながら、各空間で物理的制約を徐々に課す反復アルゴリズムに依存します。このアプローチは結晶の歪みが軽度な場合にはうまく機能します。しかし内部歪みが強いと回折パターンが大きく歪み、アルゴリズムは収束に苦しみます。復元された位相は何度も2π巻き戻されることがあり、見かけの結晶の大きさや形状が誤推定され、複数のランダムスタートでも有用な解を見つけられないことがあります。その結果、強く歪んだ、しばしば最も興味深い粒子の多くのBCDI測定は破棄されてしまいます。

回折空間で「考える」ニューラルネットワーク

このボトルネックに対処するため、著者らはUNetに似たアーキテクチャに基づく三次元畳み込みニューラルネットワークを訓練し、データが収集される同じ逆格子（回折）空間で欠落している位相を直接予測するようにしました。彼らは多様な形状と強く複雑な歪み場を持つモデルナノ結晶から、実験的なノイズに似せた雑音を加えた何万もの現実的なシミュレートされた回折パターンを生成しました。各シミュレーションパターンには既知の逆空間位相が対応づけられ、ネットワークはそれを再現することを学びます。Weighted Coherent Averageと呼ばれる特別に設計された損失関数により、グローバルなオフセット、符号反転、位相の巻き込みといった位相データに内在する対称性に惑わされることなく、強度が高く情報量の多いパターン部分に学習の重点を置けるようにしています。

シミュレーションベンチマークから実データへ

訓練後、ネットワークには測定された回折強度のみ（対数形式にスケーリングされたもの）が入力され、ネットワークは三次元の位相マップを出力します。この予測位相を測定強度と組み合わせて逆フーリエ変換を適用すると、すぐに結晶とその歪みの最初の3D像が得られます。シミュレーションのテストデータ上では、ネットワークは異なる粒子形状や歪みプロファイルに対して複雑な位相構造を安定的に回復し、ノイズがある場合でも基準真値に近い再構成を生成しました。重要なのは、白金や白金–パラジウムナノ粒子の強い界面歪みを含む挑戦的な実験データに適用した際、従来の反復位相回復が単独では失敗するケースでも、ニューラルネットワークベースの再構成が成功したことです。

作動中のナノ材料をより速くより鮮明に描く

著者らは従来のアルゴリズムを放棄したわけではなく、むしろニューラルネットワークの出力を高品質な初期値として利用します。標準的なエラー低減反復を用いた比較的短い精緻化段階が初期推定を損なうことなく再構成を整えます。このハイブリッド手法は、多くの長時間にわたる従来の再構成を行う場合と比べて計算時間を2〜3桁短縮し、以前は手の届かなかった強く歪んだ粒子の信頼できるイメージングを可能にします。実用的には、この研究により困難なBCDI実験がより日常的な道具へと転換され、科学者は単一ナノ結晶内の歪みが反応、電気化学サイクル、または極限条件下でどのように進化するかをより迅速かつ堅牢に可視化できるようになり、より優れた材料やデバイス設計への道を開きます。

引用: 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

キーワード: ブラーグコヒーレント回折イメージング, 位相回復, ディープラーニング, ナノ構造の歪み, X線顕微鏡法