Faseretrieval van sterk vervormde Bragg coherent diffractiepatronen met behulp van gesuperviseerd convolutioneel neuraal netwerk

Scherpere blik op tiny kristallen

Veel van de meest veelbelovende technologieën van vandaag — van betere katalysatoren voor schonere auto’s tot efficiëntere batterijen — hangen af van hoe atomen verschuiven en vervormen binnen kleine kristallen. Wetenschappers kunnen deze onzichtbare vervormingen onderzoeken met een krachtige röntgentechniek genaamd Bragg Coherent Diffraction Imaging (BCDI), maar een cruciale computationele stap faalt vaak precies wanneer de kristallen het meest vervormd en wetenschappelijk het interessantst zijn. Dit artikel toont hoe een deep‑learningbenadering die probleemmetingen kan redden, waardoor eerder onbruikbare data veranderen in heldere driedimensionale beelden van werkende nanomaterialen.

Hoe röntgenstraling verborgen vervormingen onthult

In een BCDI-experiment wordt een nanokristal beschenen door een sterk gefocusseerde, zeer coherente röntgenbundel. Het kristal verstrooit de röntgenstraling in een complex speckle‑patroon dat wordt vastgelegd door een verafgelegen detector. Dat patroon is verbonden met de interne structuur van het kristal via een wiskundige bewerking die een Fourier‑transformatie wordt genoemd. Helaas meet de detector alleen de intensiteit van de verstrooide golven, niet hun fase — het deel van de golf dat codeert hoe atomen binnen het kristal zijn verplaatst. Het reconstrueren van een 3D‑weergave van zowel elektronendichtheid als het spanningsveld vereist daarom “faseretrieval” algoritmen die de ontbrekende fase uitsluitend uit de gemeten intensiteit moeten afleiden.

Waarom conventionele methoden vastlopen

Standaard faseretrieval berust op iteratieve algoritmen die heen en weer schakelen tussen het gemeten diffractiepatroon en een schatting van het reële ruimtelijke object, waarbij geleidelijk fysieke beperkingen in elk domein worden afgedwongen. Deze aanpak werkt goed wanneer het kristal slechts licht vervormd is. Maar wanneer de interne vervormingen sterk zijn, vervormen ze het diffractiepatroon zo hevig dat de algoritmen moeite hebben te convergeren. De herwonnen fase kan vaak meerdere keren rond 2π wikkelen, de schijnbare grootte en vorm van het kristal kan verkeerd geschat worden, en tientallen willekeurige starts kunnen nog steeds geen bruikbare oplossing opleveren. Als gevolg daarvan worden veel BCDI‑metingen van sterk vervormde, vaak de meest interessante, deeltjes vaak weggegooid.

Een neuraal netwerk dat in diffractie‑ruimte denkt

Om deze knelpunten aan te pakken, trainen de auteurs een driedimensionaal convolutioneel neuraal netwerk, gebaseerd op een UNet‑achtige architectuur, om de ontbrekende fase direct te voorspellen in dezelfde reciproke (diffractie)ruimte waarin de data worden verzameld. Ze genereren tienduizenden realistische gesimuleerde diffractiepatronen van modelnanokristallen met gevarieerde vormen en sterke, complexe spanningsvelden, en voegen ruis toe die experimenteel realistisch is. Elk gesimuleerd patroon wordt gekoppeld aan zijn bekende reciproke‑ruimte fase, die het netwerk leert reproduceren. Een speciaal ontworpen verliesfunctie, de Weighted Coherent Average, stelt het netwerk in staat om rekening te houden met inherente symmetrieën in phasedata — zoals globale verschuivingen, tekenwisselingen en wikkeling — zonder daardoor misleid te worden, terwijl het leerproces zich richt op de meest intense, informatieve delen van het patroon.

Van simulatiebenchmarks naar data uit de echte wereld

Eens getraind, krijgt het netwerk alleen de gemeten diffractie‑intensiteit als input, geschaald naar een logaritmische vorm, en produceert het een volledige driedimensionale fasekaart. Het combineren van deze voorspelde fase met de gemeten intensiteit en het toepassen van een inverse Fourier‑transformatie levert onmiddellijk een eerste 3D‑beeld van het kristal en zijn spanningsveld op. Op gesimuleerde testdata herstelt het netwerk betrouwbaar complexe fasestructuren voor verschillende deeltjesvormen en spanningsprofielen, en levert reconstructies die nauw aansluiten op de grondwaarheid, zelfs bij zwakke signalen. Cruciaal is dat, toegepast op uitdagende experimentele datasets van platina en platina‑palladium nanodeeltjes onder sterke interfaciale spanning, de reconstructies op basis van het neurale netwerk slagen waar conventionele iteratieve faseretrieval alleen faalt.

Snellere en helderdere beelden van werkende nanomaterialen

De auteurs laten traditionele algoritmen niet vallen; in plaats daarvan gebruiken ze de output van het neurale netwerk als een hoogwaardige startpunt. Een relatief korte verfijningsfase met standaard fout‑reducerende iteraties werkt de reconstructie bij zonder de goede initiële schatting teniet te doen. Deze hybride aanpak verkort de rekentijd met twee tot drie ordes van grootte vergeleken met het draaien van vele lange conventionele reconstructies, en maakt betrouwbare beeldvorming van sterk vervormde deeltjes mogelijk die voorheen buiten bereik lagen. Praktisch gezien verandert dit moeilijke BCDI‑werk in een meer routineus instrument: wetenschappers kunnen nu sneller en robuuster visualiseren hoe spanning zich ontwikkelt binnen individuele nanokristallen tijdens reacties, elektrochemische cycli of extreme omstandigheden, wat de weg vrijmaakt voor beter ontworpen materialen en apparaten.

Bronvermelding: 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

Trefwoorden: Bragg coherent diffractiebeeldvorming, faseretrieval, deep learning, spanning in nanostructuren, röntgenmicroscopie