Восстановление фазы в сильно искривлённых брэгговских когерентных дифракционных картинах с использованием контролируемой свёрточной нейронной сети

Чётче — о крошечных кристаллах

Многие из самых перспективных технологий нашего времени — от более эффективных катализаторов для чистых автомобилей до улучшенных батарей — зависят от того, как атомы смещаются и испытывают деформации внутри крошечных кристаллических частиц. Учёные могут исследовать эти невидимые искажения с помощью мощного рентгеновского метода, называемого брэгговской когерентной дифракционной визуализацией (BCDI), однако ключевой вычислительный этап часто терпит неудачу именно тогда, когда кристаллы наиболее деформированы и наиболее интересны с научной точки зрения. В этой статье показано, как подход на основе глубокого обучения может спасти такие сложные измерения, превращая ранее непригодные данные в чёткие трёхмерные изображения работающих наноматериалов.

Как рентгеновские лучи обнаруживают скрытые искажения

В эксперименте BCDI нанокристалл освещается узко сфокусированным, высококогерентным рентгеновским пучком. Кристалл рассеивает рентгеновские лучи в сложную спекл‑структуру, регистрируемую дальним детектором. Эта картина связана с внутренней структурой кристалла через математическую операцию, называемую преобразованием Фурье. К сожалению, детектор измеряет только интенсивность рассеянных волн, но не их фазу — ту часть волны, которая кодирует смещения атомов внутри кристалла. Поэтому для восстановления трёхмерного изображения и электронной плотности, и поля деформаций требуются алгоритмы «восстановления фазы», которые должны выводить отсутствующую фазу исключительно по измеренной интенсивности.

Почему традиционные методы дают сбои

Стандартное восстановление фазы опирается на итеративные алгоритмы, которые переключаются между измеренной дифракционной картиной и предположением о реальном пространственном объекте, постепенно накладывая физические ограничения в каждой области. Такой подход хорошо работает при слабых деформациях кристалла. Но когда внутренние искажения сильны, они настолько искажают дифракционный рисунок, что алгоритмы испытывают трудности со сходимостью. Восстановленная фаза может многократно обёртываться на 2π, кажущиеся размеры и форма кристалла могут быть неверно оценены, и десятки случайных стартов всё ещё не гарантируют пригодного решения. В результате многие BCDI‑измерения сильно деформированных, зачастую наиболее интересных частиц оказываются отбраковываемыми.

Нейронная сеть, мыслящая в дифракционном пространстве

Чтобы преодолеть это узкое место, авторы обучают трёхмерную свёрточную нейронную сеть на основе архитектуры, похожей на UNet, предсказывать недостающую фазу непосредственно в том же обратном (дифракционном) пространстве, где собираются данные. Они генерируют десятки тысяч реалистичных смоделированных дифракционных карт от модельных нанокристаллов с разными формами и сильными, сложными полями деформаций, добавляя шум, схожий с экспериментальным. Каждой смоделированной картине соответствует известная фаза в обратном пространстве, которую сеть учится воспроизводить. Специально разработанная функция потерь, называемая Взвешенным когерентным средним (Weighted Coherent Average), позволяет сети учитывать присущие данным фазы симметрии — такие как глобальные смещения, изменение знака и обёртки — не вводя её в заблуждение, при этом сосредотачивая усилия обучения на наиболее интенсивных и информативных участках картины.

От тестов на симуляциях к данным из реального мира

После обучения сеть получает на вход только измеренную интенсивность дифракции, приведённую к логарифмической шкале, и выдает полную трёхмерную карту фазы. Комбинирование этой предсказанной фазы с измеренной интенсивностью и применение обратного преобразования Фурье сразу дают первое 3D‑изображение кристалла и его деформаций. На тестовых симуляциях сеть надёжно восстанавливает сложные структуры фазы для разных форм частиц и профилей деформаций, выдавая реконструкции, близкие к эталону, даже при шумном сигнале. Что важно, при применении к сложным экспериментальным наборам данных от наночастиц платина и платина–палладий под сильными межфазными деформациями реконструкции на базе нейронной сети удаются там, где одни лишь итеративные методы восстановления фазы терпят неудачу.

Быстрее и яснее: изображения работающих наноматериалов

Авторы не отказываются от традиционных алгоритмов; вместо этого они используют вывод нейронной сети как высококачественную начальную оценку. Относительно короткая стадия доработки с помощью стандартных итераций по снижению ошибки доводит реконструкцию до конца, не разрушая хорошую начальную гипотезу. Такой гибридный подход сокращает время вычислений на два‑три порядка величины по сравнению с запуском множества долгих традиционных реконструкций и открывает надёжную визуализацию сильно деформированных частиц, ранее недоступных. В практическом плане эта работа превращает сложные эксперименты BCDI в более рутинный инструмент: учёные теперь могут быстрее и устойчивее отслеживать, как деформация развивается внутри отдельных нанокристаллов во время реакций, электрохимических циклов или при экстремальных условиях, что даёт ключ к созданию материалов и устройств с лучшим дизайном.

Цитирование: 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

Ключевые слова: Брэгговская когерентная дифракционная визуализация, восстановление фазы, глубокое обучение, деформация наноструктуры, рентгеновская микроскопия