用于高通量衍射图案分析的统一预处理框架

更清晰地观测原子

现代显微镜现在可以实时观察材料内部原子的排列，帮助科学家设计更好的电池、合金和电子器件。但这些仪器产生的原始图像往往嘈杂且有失真，使得提取可靠数值变得困难。本文介绍了一种新的人工智能系统，称为 4D‑PreNet，它可以自动清理这些数据，使研究人员能够把精力放在理解材料上，而不是与噪声图像斗争。

电子衍射图案为何重要

在一种称为四维扫描透射电子显微镜（4D‑STEM）的技术中，聚焦的电子束在样品上扫描。每个位置上，显微镜记录电子与原子散射后形成的微小“烟花”图案。对每个点采集完整图像会产生庞大的数据堆栈，这些数据能揭示原子尺度的应变、晶体取向和缺陷。问题在于，这些图案很容易被随机噪声、电子束位置的小偏移以及将圆环拉伸成椭圆的微小变形所破坏。即使束心偏差一个像素，也会导致关于材料拉伸或压缩程度的误导性测量。

一个工具代替多个

传统上，科学家依赖一系列分散的算法来清理 4D‑STEM 数据：一个用于去噪，另一个用于寻找束心，再有一个用于校正几何畸变。每一步通常需要针对每种材料或实验进行细致的手动调整，既耗时又脆弱。本文作者提出将 4D‑PreNet 作为一个统一的端到端解决方案。它是一个深度学习流水线，接受原始衍射图案并在一次处理流程中同时去除噪声、重定位束心并纠正椭圆形变形，从而生成可用于定量分析的数据。

智能滤波器如何工作

4D‑PreNet 由三个按顺序排列的专用神经网络构成。第一个网络像智能噪声滤波器，学习去除随机斑点，同时保留携带物理信息的细小斑点和环。第二个网络学习精确定位每个衍射图案的真实中心，精度优于像素的分数级别，然后在数字上平移图像，使所有图案对齐到统一参考。第三个网络查看来自多个探针位置的平均图案并估计其被拉伸或倾斜的程度，然后施加相反的变换以恢复圆对称。为了训练这些网络，研究者生成了大量逼真的模拟图案，涵盖多种材料、取向、噪声水平和畸变类型，使该系统在面对真实实验时具有鲁棒性。

更清晰的数据，更快的实验

在模拟和实验数据上的测试表明，4D‑PreNet 显著提高了图像质量。它将像素强度的平均误差大致减半，并将标准信噪比提升了数分贝，这意味着细节变得明确得多。对于束心定位，其平均误差约为三分之一像素，明显优于基于简单强度平均或对称性的方法。该网络还降低了衍射环不均匀性的度量，证实拉伸图案已被校正。重要的是，这一切都是自动完成的：在现代图形处理器上，无需手动调参即可在几分钟内处理大型 4D‑STEM 数据集。

走向一键式原子成像

通过在单一步骤中将混乱的衍射数据转化为干净、对齐良好的图案，4D‑PreNet 有助于释放 4D‑STEM 的全部潜力。研究者可以更自信地绘制样品上的应变、晶体取向和微妙的结构变化，并以满足高通量甚至实时实验所需的速度完成这些工作。通俗地说，这项工作使电子显微镜更接近一键式工具：科学家输入原始测量数据，系统在幕后默默完成复杂的清理工作，提供可靠的原子排列图像以用于先进材料的研究。

引用: 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

关键词: 4D-STEM, 电子显微镜, 深度学习, 衍射分析, 材料表征