Jednolity framework wstępnego przetwarzania do analizy wysokoprzepustowych wzorców dyfrakcyjnych

Wyraźniejsze widzenie atomów

Nowoczesne mikroskopy potrafią obserwować rozmieszczenie atomów w materiałach, co pomaga naukowcom projektować lepsze baterie, stopy i urządzenia elektroniczne. Jednak surowe obrazy pochodzące z tych przyrządów bywają zaszumione i zdeformowane, co utrudnia uzyskanie wiarygodnych danych. W artykule przedstawiono nowy system sztucznej inteligencji o nazwie 4D‑PreNet, który automatycznie oczyszcza takie dane, pozwalając badaczom skupić się na rozumieniu materiałów zamiast na walce z zaszumionymi obrazami.

Dlaczego wzorce elektronowe mają znaczenie

W technice zwanej czterowymiarową skaningową transmisyjną mikroskopią elektronową (4D‑STEM) wąski, skupiony wiązek elektronów przesuwa się po próbce. W każdej pozycji mikroskop rejestruje niewielki „fajerwerk” wzorca powstającego w wyniku rozpraszania elektronów na atomach. Zebranie pełnego obrazu dla każdego punktu generuje ogromną stertę danych, która może ujawniać naprężenia, orientację kryształu i defekty na skali atomowej. Problem w tym, że wzorce te łatwo ulegają zniekształceniom przez przypadkowy szum, niewielkie przesunięcia położenia wiązki oraz subtelne rozciągnięcia, które zamieniają okrągłe pierścienie w elipsy. Nawet błąd jednej pikselowej wartości w środku wiązki może prowadzić do wprowadzających w błąd pomiarów stopnia rozciągnięcia czy ściśnięcia materiału.

Jedno narzędzie zamiast wielu

Tradycyjnie naukowcy stosowali zestaw oddzielnych algorytmów do oczyszczania danych 4D‑STEM: jeden do odszumiania, inny do znajdowania środka wiązki, jeszcze inny do korekcji zniekształceń geometrycznych. Każdy krok często wymagał ręcznej regulacji dla każdego nowego materiału lub eksperymentu, co było powolne i podatne na błędy. Autorzy pracy proponują 4D‑PreNet jako zunifikowane rozwiązanie end‑to‑end. To potok uczenia głębokiego, który w pojedynczym przebiegu przetwarza surowe wzorce dyfrakcyjne, usuwając szum, centrując wiązkę i korygując eliptyczne zniekształcenia, dostarczając dane gotowe do analizy ilościowej.

Jak działa inteligentny filtr

4D‑PreNet zbudowano z trzech wyspecjalizowanych sieci neuronowych ułożonych w szeregu. Pierwsza sieć działa jak inteligentny filtr szumu, ucząc się usuwać losowe kropkowanie przy jednoczesnym zachowaniu drobnych plamek i pierścieni niosących znaczenie fizyczne. Druga sieć uczy się precyzyjnie wyznaczać prawdziwe centrum każdego wzorca dyfrakcyjnego z dokładnością lepszą niż ułamek piksela, a następnie cyfrowo przesuwa obraz tak, by wszystkie wzorce były wyrównane względem wspólnego odniesienia. Trzecia sieć analizuje uśredniony wzorzec z wielu pozycji sondy i ocenia, jak bardzo został on rozciągnięty lub przechylony, po czym stosuje odwrotną transformację, by przywrócić symetrię kołową. Aby nauczyć te sieci, badacze wygenerowali ogromne ilości realistycznych symulowanych wzorców obejmujących wiele materiałów, orientacji, poziomów szumu i typów zniekształceń, dzięki czemu system jest odporny na warunki spotykane w rzeczywistych eksperymentach.

Bardziej wyraźne dane, szybsze eksperymenty

Testy zarówno na danych symulowanych, jak i eksperymentalnych pokazują, że 4D‑PreNet znacząco poprawia jakość obrazu. Zmniejsza średni błąd w intensywności pikseli mniej więcej o połowę i zwiększa standardowy wskaźnik sygnału do szumu o kilka decybeli, co oznacza, że detale stają się znacznie bardziej czytelne. Przy wyznaczaniu środka wiązki jego średni błąd wynosi około jednej trzeciej piksela, co jest wyraźnie lepsze od powszechnie stosowanych metod opartych na prostych średnich intensywności czy symetrii. Sieć także redukuje miary nierówności pierścieni dyfrakcyjnych, potwierdzając korekcję rozciągniętych wzorców. Co ważne, osiąga to automatycznie: duży zestaw danych 4D‑STEM można przetworzyć w ciągu kilku minut na nowoczesnej karcie graficznej, bez ręcznego strojenia parametrów.

W stronę mapowania atomów jednym przyciskiem

Przekształcając zaszumione wzorce dyfrakcyjne w czyste, dobrze wyrównane obrazy w jednym zautomatyzowanym kroku, 4D‑PreNet pomaga wykorzystać pełny potencjał 4D‑STEM. Badacze mogą pewniej mapować naprężenia, orientację kryształu i subtelne zmiany strukturalne w próbce, i robić to w tempie wymaganym dla wysokoprzepustowych, a nawet rzeczywistych eksperymentów. Mówiąc prościej, praca ta przybliża mikroskopię elektronową do narzędzia „podłącz i gotowe”: naukowcy wprowadzają surowe pomiary, a system sam zajmuje się złożonym oczyszczaniem w tle, dostarczając wiarygodne obrazy rozmieszczenia atomów w zaawansowanych materiałach.

Cytowanie: 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

Słowa kluczowe: 4D-STEM, mikroskopia elektronowa, uczenie głębokie, analiza dyfrakcyjna, charakterystyka materiałów