Een uniform voorverwerkingskader voor hogesnelheidsanalyse van diffractiepatronen

Atomen duidelijker zien

Moderne microscopen kunnen nu volgen hoe atomen in materialen zijn gerangschikt, wat onderzoekers helpt bij het ontwerpen van betere batterijen, legeringen en elektronica. Maar de ruwe beelden die deze instrumenten produceren zijn vaak rommelig en vervormd, waardoor het moeilijk is betrouwbare cijfers te halen. Dit artikel introduceert een nieuw kunstmatig-intelligentiesysteem, 4D‑PreNet, dat deze data automatisch opschoont zodat onderzoekers zich kunnen richten op het begrijpen van materialen in plaats van te worstelen met ruisende beelden.

Waarom elektronenpatronen ertoe doen

In een techniek die bekendstaat als vierdimensionale scanning transmission elektronenmicroscopie, of 4D‑STEM, wordt een nauw gefocusseerde elektronenbundel over een monster gescand. Op elke positie registreert de microscoop een klein ‘vuurwerk’-patroon dat ontstaat wanneer elektronen verstrooid worden door de atomen. Het opnemen van een volledig beeld op elk punt levert een enorme stapel data op die rek, kristaloriëntatie en defecten op atomaire schaal kan onthullen. Het probleem is dat deze patronen gemakkelijk verstoord raken door willekeurige ruis, kleine verschuivingen in de bundelpositie en subtiele rek die cirkelvormige ringen in ellipsen verandert. Zelfs een fout van één pixel in het centrum van de bundel kan leiden tot misleidende metingen van hoe sterk een materiaal uitgerekt of samengedrukt is.

Één gereedschap in plaats van vele

Traditioneel vertrouwen wetenschappers op een lappendeken van afzonderlijke algoritmen om 4D‑STEM-data op te schonen: één voor ruisonderdrukking, een ander voor het vinden van het bundelcentrum, en weer een ander voor het corrigeren van geometrische vervorming. Elke stap vereist vaak zorgvuldige handmatige aanpassing voor elk nieuw materiaal of experiment, wat traag en kwetsbaar is. De auteurs van dit artikel stellen 4D‑PreNet voor als een uniform, end-to-end oplossing. Het is een deep-learning-pijplijn die ruwe diffractiepatronen in één doorgang ontkraakt: ruis verwijdert, het bundelcentrum recenteren en elliptische vervormingen rechtzet, en zo data produceert die klaar is voor kwantitatieve analyse.

Hoe het slimme filter werkt

4D‑PreNet bestaat uit drie gespecialiseerde neurale netwerken die in serie zijn gerangschikt. Het eerste netwerk fungeert als een slim ruisfilter en leert willekeurige korrels te verwijderen terwijl fijne stippen en ringen die fysische informatie dragen intact blijven. Het tweede netwerk leert het werkelijke centrum van elk diffractiepatroon te bepalen met een nauwkeurigheid beter dan een fractie van een pixel, en verschuift het beeld digitaal zodat alle patronen op een gemeenschappelijk referentiepunt zijn uitgelijnd. Het derde netwerk bekijkt een gemiddeld patroon van vele proefpositie en schat in hoeveel het is uitgerekt of gekanteld, en past vervolgens de omgekeerde transformatie toe om de cirkelvormige symmetrie te herstellen. Om deze netwerken te trainen genereerden de onderzoekers enorme aantallen realistische gesimuleerde patronen, die veel materialen, oriëntaties, ruisniveaus en vervormingstypen beslaan, zodat het systeem robuust is voor echte experimenten.

Scherpere data, snellere experimenten

Tests op zowel gesimuleerde als experimentele data tonen aan dat 4D‑PreNet de beeldkwaliteit aanzienlijk verbetert. Het halveert ruwweg de gemiddelde fout in pixelintensiteit en verhoogt een standaard signaal‑tegen‑ruismaat met meerdere decibels, wat betekent dat details veel duidelijker worden. Voor het lokaliseren van het bundelcentrum ligt de gemiddelde fout rond een derde van een pixel, duidelijk beter dan gangbare methoden gebaseerd op eenvoudige intensiteitsgemiddelden of symmetrie. Het netwerk vermindert ook maatstaven voor hoe ongelijk de diffractiekringen zijn, wat bevestigt dat uitgerekte patronen worden gecorrigeerd. Belangrijk is dat dit allemaal automatisch gebeurt: een grote 4D‑STEM-dataset kan in enkele minuten op een moderne grafische kaart worden verwerkt, zonder handmatige afstemming.

Op weg naar push‑button atomaire kaartlegging

Door rommelige diffractiegegevens in één geautomatiseerde stap om te zetten in schone, goed uitgelijnde patronen helpt 4D‑PreNet de volledige kracht van 4D‑STEM te ontsluiten. Onderzoekers kunnen met meer vertrouwen rek, kristaloriëntatie en subtiele structurele veranderingen over een monster in kaart brengen, en dat in het tempo dat nodig is voor hoge doorvoer of zelfs realtime experimenten. Simpel gezegd brengt dit werk elektronenmicroscopie dichter bij een ‘push‑button’-instrument: wetenschappers voeren ruwe metingen in en het systeem verzorgt stilletjes de complexe opschoning achter de schermen, en levert betrouwbare beelden van hoe atomen in geavanceerde materialen zijn gerangschikt.

Bronvermelding: 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

Trefwoorden: 4D-STEM, elektronenmicroscopie, deep learning, diffractieanalyse, materiaalcharacterisatie