Odzyskiwanie fazy z wysoko odkształconych wzorców Braggowskiej koherentnej dyfrakcji z użyciem nadzorowanej splotowej sieci neuronowej

Bardziej ostre spojrzenia na maleńkie kryształy

Wiele z najobiecujących dzisiaj technologii — od lepszych katalizatorów dla czystszych samochodów po bardziej wydajne akumulatory — zależy od tego, jak atomy przesuwają się i ulegają odkształceniom wewnątrz maleńkich kryształów. Naukowcy mogą badać te niewidoczne deformacje za pomocą potężnej techniki rentgenowskiej zwanej Braggowską Koherentną Dyfrakcją (BCDI), lecz kluczowy krok obliczeniowy często zawodzi właśnie wtedy, gdy kryształy są najbardziej odkształcone i naukowo interesujące. W artykule pokazano, jak podejście oparte na uczeniu głębokim może uratować te trudne pomiary, przekształcając wcześniej nieużyteczne dane w wyraźne trójwymiarowe obrazy pracujących nanomateriałów.

Jak rentgeny ujawniają ukryte odkształcenia

W eksperymencie BCDI nanokryształ jest oświetlany silnie skupioną, wysoko koherentną wiązką rentgenowską. Kryształ rozprasza promieniowanie tworząc złożony wzór „plamek” rejestrowany przez odległy detektor. Ten wzór wiąże się z wewnętrzną strukturą kryształu przez operację matematyczną zwaną transformatą Fouriera. Niestety detektor mierzy tylko intensywność rozproszonych fal, a nie ich fazę — część fali, która koduje, jak atomy są przemieszczone wewnątrz kryształu. Odtworzenie trójwymiarowego obrazu zarówno gęstości elektronowej, jak i pola odkształceń wymaga więc algorytmów „odzyskiwania fazy”, które muszą wywnioskować brakującą fazę wyłącznie na podstawie zmierzonej intensywności.

Dlaczego konwencjonalne metody zawiodą

Standardowe odzyskiwanie fazy opiera się na iteracyjnych algorytmach, które przełączają się między zmierzonym wzorem dyfrakcyjnym a przypuszczeniem obiektu w przestrzeni rzeczywistej, stopniowo narzucając fizyczne ograniczenia w każdej przestrzeni. Podejście to działa dobrze, gdy kryształ jest jedynie słabo odkształcony. Gdy jednak deformacje wewnętrzne są silne, zniekształcają wzór dyfrakcyjny tak dotkliwie, że algorytmy mają problemy ze zbieżnością. Odtworzona faza może zawijać się wielokrotnie o 2π, pozorny rozmiar i kształt kryształu mogą być błędnie oszacowane, a dziesiątki losowych startów wciąż mogą nie doprowadzić do użytecznego rozwiązania. W efekcie wiele pomiarów BCDI dla silnie odkształconych, a często najbardziej interesujących, cząstek zostaje odrzuconych.

Sieć neuronowa myśląca w przestrzeni dyfrakcyjnej

Aby rozwiązać ten problem, autorzy trenują trójwymiarową splotową sieć neuronową opartą na architekturze podobnej do UNet, tak aby przewidywała brakującą fazę bezpośrednio w tej samej przestrzeni odwrotnej (dyfrakcyjnej), w której zbierane są dane. Generują dziesiątki tysięcy realistycznych symulowanych wzorów dyfrakcyjnych z modelowych nanokryształów o zróżnicowanych kształtach i silnych, złożonych polach odkształceń, dodając szum przypominający eksperymentalny. Każdy symulowany wzór jest sparowany z jego znaną fazą w przestrzeni odwrotnej, której sieć uczy się odwzorowywać. Specjalnie zaprojektowana funkcja straty nazwana Ważoną Średnią Koherentną (Weighted Coherent Average) pozwala sieci uwzględniać inherentne symetrie w danych fazowych — takie jak globalne przesunięcia, zmiany znaku i zawijanie — bez wprowadzania w błąd, jednocześnie koncentrując wysiłek uczenia na najbardziej intensywnych, informatywnych częściach wzoru.

Od testów symulacyjnych do danych rzeczywistych

Po przeszkoleniu sieć otrzymuje jedynie zmierzoną intensywność dyfrakcyjną, przeskalowaną do postaci logarytmicznej, i generuje pełną trójwymiarową mapę fazy. Połączenie tej przewidywanej fazy z zmierzoną intensywnością i zastosowanie odwrotnej transformaty Fouriera natychmiast daje pierwszy 3D-owy obraz kryształu i jego odkształceń. Na symulowanych danych testowych sieć niezawodnie odtwarza złożone struktury fazowe dla różnych kształtów cząstek i profili odkształceń, produkując rekonstrukcje bliskie prawdzie, nawet gdy sygnał jest zaszumiony. Co kluczowe, zastosowana do trudnych zestawów danych eksperymentalnych z nanocząstkami platyny i stopu platyna–pallad pod silnym odkształceniem przyinterfejsowym, rekonstrukcja oparta na sieci neuronowej udaje się tam, gdzie same konwencjonalne iteracyjne metody odzyskiwania fazy zawodzą.

Szybsze i wyraźniejsze obrazy pracujących nanomateriałów

Autorzy nie porzucają tradycyjnych algorytmów; zamiast tego używają wyjścia sieci neuronowej jako wysokiej jakości punktu startowego. Relatywnie krótki etap dopracowania z użyciem standardowych iteracji redukcji błędu poprawia rekonstrukcję bez niweczenia dobrego początkowego przybliżenia. To hybrydowe podejście skraca czas obliczeń o dwie do trzech rzędów wielkości w porównaniu z wykonywaniem wielu długich konwencjonalnych rekonstrukcji i odblokowuje niezawodne obrazowanie silnie odkształconych cząstek, które wcześniej były poza zasięgiem. W praktyce praca ta zamienia trudne eksperymenty BCDI w bardziej rutynowe narzędzie: naukowcy mogą teraz szybciej i bardziej solidnie wizualizować, jak odkształcenia zmieniają się wewnątrz pojedynczych nanokryształów podczas reakcji, cykli elektrochemicznych czy ekstremalnych warunków, otwierając drogę do lepiej zaprojektowanych materiałów i urządzeń.

Cytowanie: 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

Słowa kluczowe: Braggowska koherentna obrazowanie dyfrakcyjne, odzyskiwanie fazy, uczenie głębokie, odkształcenie nanostruktury, mikroskopia rentgenowska