[論文レビュー] Automatic Identification of Crystal Structures and Interfaces via Artificial-Intelligence-based Electron Microscopy

Andreas Leitherer, Byung Chul Yeo+2 more|arXiv (Cornell University)|Mar 22, 2023

Electron and X-Ray Spectroscopy Techniques被引用数 4

ひとこと要約

本稿では、実験的ラベルなしに、合成データのみを用いて原子分解能HAADF-STEM像において結晶構造、格子方位、粒界界面を自動で同定するベイジアン畳み込みニューラルネットワーク（BNN）ベースの手法AI-STEMを提案する。この手法は、立方晶および六方晶の結晶系を高精度に分類し、トレーニング時に明示的な界面データを含めないまま界面を検出可能であり、合成および実験的画像の両方に対して、不確実性を伴う頑健な解析を可能にする。

ABSTRACT

Characterizing crystal structures and interfaces down to the atomic level is an important step for designing advanced materials. Modern electron microscopy routinely achieves atomic resolution and is capable to resolve complex arrangements of atoms with picometer precision. Here, we present AI-STEM, an automatic, artificial-intelligence based method, for accurately identifying key characteristics from atomic-resolution scanning transmission electron microscopy (STEM) images of polycrystalline materials. The method is based on a Bayesian convolutional neural network (BNN) that is trained only on simulated images. AI-STEM automatically and accurately identifies crystal structure, lattice orientation, and location of interface regions in synthetic and experimental images. The model is trained on cubic and hexagonal crystal structures, yielding classifications and uncertainty estimates, while no explicit information on structural patterns at the interfaces is included during training. This work combines principles from probabilistic modeling, deep learning, and information theory, enabling automatic analysis of experimental, atomic-resolution images.

研究の動機と目的

• 実験的データの手動ラベリングを一切不要とする、自動化されたAI駆動の原子分解能STEM画像における結晶構造および界面同定手法の開発。
• 実験的HAADF-STEM画像のラベルなしに、シミュレートされたHAADF-STEM画像のみをトレーニングデータとして用いて、多結晶材料における結晶対称性および格子方位の正確な分類を実現すること。
• モデルトレーニング時に界面パターンを明示的に含めないまま、STEM画像における粒界および欠陥領域の検出。
• ベイジアンディープラーニングを用いて予測の不確実性推定を提供し、材料特性評価における信頼性を向上させること。
• 高スルーレットな原子スケール微細組織解析のための汎用的かつスケーラブルなフレームワークの構築。

提案手法

• ベイジアン畳み込みニューラルネットワーク（BNN）を、立方晶（fcc、bcc）および六方晶（hcp）結晶構造のシミュレートされたHAADF-STEM画像にのみトレーニングする。
• モデルの入力は、STEM画像の高速フーリエ変換から得られる周期的格子情報を符号化するためのフーリエ空間記述子、FFT-HAADFである。
• モデルは、ベイジアン推論を用いて結晶構造と方位を分類するとともに、予測の不確実性を推定するようにトレーニングされる。
• 界面検出は、予測マップにおける不確実性の高い領域または構造的不連続性を特定することで実現され、明示的な界面アノテーションは不要である。
• 画像シミュレーションは、実際のパラメータ（熱的拡散散乱を含む固定フォノン配置を用いて）を用いてabTEMを用いて生成され、物理的妥当性を確保する。
• 計算効率の高い畳み込みベースのアプローチを用いてシミュレーション生成を高速化し、迅速なトレーニングデータ作成を可能にする。

Figure 1 : Schematic overview of the AI-STEM procedure for analyzing experimental STEM images. The starting point for AI-STEM (Artificial Intelligence Scanning Transmission Electron Microscopy) is a high-angle annular dark field (HAADF) STEM image ( a ) that here contains two different crystalline r

実験結果

リサーチクエスチョン

• RQ1 シミュレートされたSTEM画像のみでトレーニングされたディープラーニングモデルは、実験的画像において結晶構造および方位を正確に分類できるか？
• RQ2 トレーニング時に界面パターンを明示的に含めないモデルでも、粒界界面を検出できるか？
• RQ3 ベイジアンニューラルネットワークからの不確実性推定は、STEM画像における実際の構造的不連続性とどの程度相関するか？
• RQ4 FFT-HAADF記述子は、多様な結晶指向および材料に対して一般化性能をどの程度向上させるか？
• RQ5 微調整や手動特徴工学を一切行わずに、実世界の実験的STEMデータにおいても高い精度を達成できるか？

主な発見

• AI-STEMモデルは、合成および実験的HAADF-STEM画像において、fccc、bcc、hcpなどの結晶構造を高い分類精度で同定でき、未観測の材料に対してもテストされた。
• トレーニングデータに明示的な界面データを含めないまま、Cu、Fe、Tiの実験的画像においても粒界界面を効果的に検出できた。
• ベイジアンネットワークからの不確実性推定は、実際の界面位置と強く相関しており、信頼性の高い欠陥検出を可能にした。
• 本手法は、格子定数や方位の変動に対しても耐性を示し、異なる材料および結晶指向にわたって一般化可能である。
• FFT-HAADFを入力とすることで、ノイズや実験的アーチファクトが存在する状況でも、周期的格子情報を効果的に符号化でき、モデル性能が向上した。
• 本モデルは、実験的ラベリングにかかる費用と時間の削減を実現するため、合成データのみで高い性能を達成した。

Figure 2 : Image descriptor and convolutional neural network (CNN) model for classification of STEM HAADF images. a Examples of FFT-HAADF images for all 10 crystalline surfaces included in the training set, which include face-centered cubic (fcc), body-centered cubic (bcc) and hexagonal close-packed