Единая система предобработки для высокопроизводительного анализа дифракционных картин

Четче видеть атомы

Современные микроскопы теперь могут наблюдать расположение атомов в материалах, помогая учёным разрабатывать лучшие аккумуляторы, сплавы и электронные устройства. Но сырые изображения, которые дают эти приборы, часто шумные и искажённые, что затрудняет получение надёжных численных данных. В этой статье представлена новая система на базе искусственного интеллекта, названная 4D‑PreNet, которая автоматически очищает такие данные, позволяя исследователям сосредоточиться на понимании материалов, а не на борьбе с шумными изображениями.

Почему важны электронные картины

В методе, известном как четырёхмерная сканирующая просвечивающая электронная микроскопия (4D‑STEM), сильно сфокусированный электронный пучок сканирует образец. В каждой точке микроскоп регистрирует маленькую «фейерверк‑картину», возникающую при рассеянии электронов атомами. Сбор полного изображения в каждой точке даёт громадный набор данных, который может раскрыть информацию о деформациях, ориентации кристаллов и дефектах на атомном уровне. Проблема в том, что эти картины легко портятся случайным шумом, небольшими сдвигами позиции пучка и тонкими растяжениями, которые превращают круговые кольца в эллипсы. Даже ошибка в один пиксель при определении центра пучка может привести к искажённым оценкам того, насколько материал растянут или сжат.

Один инструмент вместо множества

Традиционно учёные полагались на набор разрозненных алгоритмов для очистки данных 4D‑STEM: один для подавления шума, другой для поиска центра пучка, ещё один для коррекции геометрических искажений. Каждый этап часто требует тщательной ручной настройки под новый материал или эксперимент, что медленно и ненадёжно. Авторы статьи предлагают 4D‑PreNet как единое, комплексное решение «от начала до конца». Это конвейер глубокого обучения, который принимает сырые дифракционные картины и за один прогон удаляет шум, центрирует пучок и исправляет эллиптические искажения, выдавая данные, готовые к количественному анализу.

Как работает умный фильтр

4D‑PreNet состоит из трёх специализированных нейросетей, расположенных последовательно. Первая сеть действует как интеллектуальный фильтр шума, обучаясь убирать случайные «пятна», при этом сохраняя тонкие точки и кольца, несущие физический смысл. Вторая сеть обучается точно определять истинный центр каждой дифракционной картины с точностью лучше дроби пикселя, затем цифровым способом сдвигает изображение так, чтобы все картины были выровнены по общему эталону. Третья сеть анализирует усреднённую картину по многим позициям зонда и оценивает, насколько она была растянута или наклонена, затем применяет обратное преобразование для восстановления круговой симметрии. Для обучения этих сетей исследователи сгенерировали огромное количество реалистичных смоделированных картин, покрывающих множество материалов, ориентаций, уровней шума и типов искажений, чтобы система была устойчива при работе с реальными экспериментами.

Более четкие данные, более быстрые эксперименты

Тесты на смоделированных и экспериментальных данных показывают, что 4D‑PreNet значительно улучшает качество изображений. Он примерно вдвое снижает среднюю ошибку интенсивности пикселя и повышает стандартную меру отношение сигнал/шум на несколько децибел, что делает детали гораздо отчетливее. Для локализации центра пучка средняя ошибка составляет около трети пикселя, что заметно лучше распространённых методов на основе простых усреднений интенсивности или симметрии. Сеть также снижает показатели неравномерности дифракционных колец, подтверждая, что растянутые картины корректируются. Важно, что всё это достигается автоматически: большой набор данных 4D‑STEM можно обработать за считанные минуты на современной графической карте без ручной подстройки.

К настройке «на кнопку» для отображения атомов

Преобразуя шумные дифракционные данные в чистые, хорошо выровненные картины в одном автоматизированном шаге, 4D‑PreNet помогает раскрыть полный потенциал 4D‑STEM. Исследователи могут с большей уверенностью картировать деформации, ориентацию кристаллов и тонкие структурные изменения по образцу и делать это с той скоростью, которая требуется для высокопроизводительных или даже реального времени экспериментов. Проще говоря, эта работа приближает электронную микроскопию к инструменту «по нажатию кнопки»: учёные подают сырые измерения, а система тихо выполняет сложную очистку за кулисами, выдавая надёжные изображения расположения атомов в передовых материалах.

Цитирование: 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

Ключевые слова: 4D-STEM, электронная микроскопия, глубокое обучение, анализ дифракции, характеризация материалов