Fasåterställning av starkt påfrestande Bragg-koherenta diffraktionsmönster med övervakade konvolutionella neurala nätverk

Skarpare vyer av små kristaller

Många av dagens mest lovande teknologier — från bättre katalysatorer för renare bilar till effektivare batterier — beror på hur atomerna förskjuts och belastas inne i små kristaller. Forskare kan undersöka dessa osynliga deformationer med en kraftfull röntgenteknik kallad Bragg Coherent Diffraction Imaging (BCDI), men ett avgörande beräkningssteg misslyckas ofta just när kristallerna är som mest deformerade och vetenskapligt intressanta. Denna artikel visar hur ett djupinlärningsbaserat tillvägagångssätt kan rädda dessa svåra mätningar och förvandla tidigare oanvändbara data till tydliga tredimensionella bilder av fungerande nanomaterial.

Hur röntgenstrålar avslöjar dolda deformationer

I ett BCDI-experiment belyses en nanokristall av en starkt fokuserad, högkoherent röntgenstråle. Kristallen sprider röntgenstrålarna till ett komplext kornmönster som registreras av en avlägsen detektor. Det mönstret hänger ihop med kristallens inre struktur genom en matematisk operation kallad Fouriertransform. Tyvärr mäter detektorn bara intensiteten hos de spridda vågorna, inte deras fas — den del av vågen som kodar hur atomerna förskjuts inne i kristallen. Att rekonstruera en 3D-bild av både elektron densitet och spänningsfält kräver därför ”fasåterställnings”-algoritmer som måste sluta sig till den saknade fasen utifrån endast den uppmätta intensiteten.

Varför konventionella metoder kollapsar

Standardmetoder för fasåterställning förlitar sig på iterativa algoritmer som växlar mellan det uppmätta diffraktionsmönstret och en gissning av objektet i verkligt rum och successivt inför fysiska begränsningar i respektive domän. Detta fungerar väl när kristallen bara är måttligt belastad. Men när de inre deformationerna är starka vrider de diffraktionsmönstret så kraftigt att algoritmerna får svårt att konvergera. Den återvunna fasen kan lindas runt flera gånger 2π, den upplevda storleken och formen på kristallen kan misstolkas, och dussintals slumpmässiga startpunkter kan ändå misslyckas med att hitta en användbar lösning. Som ett resultat kasseras många BCDI-mätningar av starkt påfrestande — och ofta mest intressanta — partiklar.

Ett neuralt nätverk som tänker i diffraktionsdomänen

För att ta itu med denna flaskhals tränar författarna ett tredimensionellt konvolutionellt neuralt nätverk, baserat på en UNet-liknande arkitektur, för att förutsäga den saknade fasen direkt i samma reciprok- (diffraktions-)rum där data samlas in. De genererar tiotusentals realistiska simulerade diffraktionsmönster från modellnanokristaller med varierande former och starka, komplexa spänningsfält, och adderar brus liknande det i experiment. Varje simulerat mönster paras med sin kända fas i reciprok rum, vilken nätverket lär sig att reproducera. En specialutformad förlustfunktion kallad Weighted Coherent Average låter nätverket ta hänsyn till inneboende symmetrier i fasdata — såsom globala förskjutningar, teckenförändringar och omslag — utan att luras av dem, samtidigt som inlärningen fokuseras på de mest intensiva och informativa delarna av mönstret.

Från simulerade riktmärken till verkliga data

När nätverket har tränats får det endast den uppmätta diffraktionsintensiteten, skalad i en logaritmisk form, och outputen är en fullständig tredimensionell faskarta. Genom att kombinera denna förutsagda fas med den uppmätta intensiteten och tillämpa en invers Fouriertransform erhålls omedelbart en första 3D-bild av kristallen och dess spänning. På simulerade testdata återvinner nätverket konsekvent komplexa fastrukturer för olika partikelformer och spänningsprofiler och producerar rekonstruktioner som ligger nära sanningen, även när signalen är brusig. Avgörande är att när metoden tillämpas på utmanande experimentella dataset från platina- och platina–palladium-nanopartiklar under stark interfacial spänning lyckas rekonstruktionerna baserade på neurala nätverk där konventionell iterativ fasåterställning ensam misslyckas.

Snabbare och klarare bilder av fungerande nanomaterial

Författarna överger inte de traditionella algoritmerna; istället använder de nätverkets output som en högkvalitativ startpunkt. En relativt kort förfiningsfas med standard error-reduction-iterationer putsar till rekonstruktionen utan att förstöra den goda iniziala gissningen. Detta hybrida tillvägagångssätt minskar beräkningstiden med två till tre storleksordningar jämfört med att köra många långa konventionella rekonstruktioner, och gör pålitlig avbildning av starkt belastade partiklar möjliga där det tidigare var utom räckhåll. I praktiska termer förvandlar arbetet svåra BCDI-experiment till ett mer rutinmässigt verktyg: forskare kan nu snabbare och mer robust visualisera hur spänning utvecklas i enskilda nanokristaller under reaktioner, elektrokemisk cykling eller extrema förhållanden, vilket öppnar dörren för bättre utformade material och enheter.

Citering: 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

Nyckelord: Bragg-koherent diffraktionsavbildning, fasåterställning, djupt lärande, nanostrukturspänning, röntgenmikroskopi