[논문 리뷰] Automatic Identification of Crystal Structures and Interfaces via Artificial-Intelligence-based Electron Microscopy

Andreas Leitherer, Byung Chul Yeo외 2명|arXiv (Cornell University)|2023. 03. 22.

Electron and X-Ray Spectroscopy Techniques인용 수 4

한 줄 요약

이 논문은 시뮬레이션된 훈련 데이터만을 사용하여 원자 해상도 HAADF-STEM 영상에서 결정 구조, 격자 정렬 및 결정립 경계 인터페이스를 자동으로 식별하는 베이지안 컨volution 신경망(BNN) 기반 방법인 AI-STEM을 제시한다. 이 방법은 훈련 중에 명시적인 인터페이스 데이터가 없더라도 입체 및 헥사곤형 결정계의 분류와 인터페이스 탐지에서 높은 정확도를 달성하여, 시뮬레이션 및 실험 영상 모두에 대해 강건하고 불확실성 인식 분석이 가능한 것을 가능하게 한다.

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.

연구 동기 및 목표

• 실험 데이터의 수동 레이블링이 필요 없이 원자 해상도 STEM 영상에서 결정 구조와 인터페이스를 자동으로 식별하는 AI 기반 방법을 개발하는 것.
• 단지 시뮬레이션된 HAADF-STEM 영상만을 사용하여 다결정 재료의 결정 대칭성과 격자 정렬을 정확하게 분류하는 것.
• 모델 훈련 중 인터페이스 패턴을 명시적으로 포함하지 않고도 STEM 영상에서 결정립 경계 및 결함 영역을 탐지하는 것.
• 베이지안 딥 러닝을 활용해 예측과 함께 불확실성 추정을 제공함으로써 재료 특성 분석의 신뢰성을 향상시키는 것.
• 고성능 및 확장 가능한 프레임워크를 구축하여 고속으로 원자 스케일 미세구조를 분석하는 데에 일반화 가능한 방법을 제공하는 것.

제안 방법

• 베이지안 컨volution 신경망(BNN)은 입체형(fcc, bcc) 및 헥사곤형(hcp) 결정 구조의 시뮬레이션된 HAADF-STEM 영상 전용으로 훈련된다.
• 모델의 입력은 STEM 영상의 빠른 푸리에 변환에서 유도된 주기적 격자 정보를 코딩하는 푸리에 공간 기반 기술자인 FFT-HAADF이다.
• 모델은 베이지안 추론을 통해 예측 불확실성을 추정하면서도 결정 구조와 정렬을 분류하도록 훈련된다.
• 인터페이스 탐지는 훈련 중에 명시적인 인터페이스 애너테이션을 요구하지 않고도 예측 맵에서 높은 불확실성 또는 구조적 불연속성 영역을 식별함으로써 수행된다.
• 이미지 시뮬레이션은 abTEM을 사용하여 열적 산란을 고려한 동결 진동자 구성으로 현실적인 파arameter를 적용하여 물리적 정확성을 확보한다.
• 계산 효율성이 높은 컨볼루션 기반 접근법을 사용하여 시뮬레이션 생성을 가속화함으로써 빠른 훈련 데이터 생성을 가능하게 한다.

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

실험 결과

연구 질문

• RQ1 단지 시뮬레이션된 STEM 영상로만 훈련된 딥 러닝 모델이 실험 영상에서 결정 구조와 정렬을 정확히 분류할 수 있는가?
• RQ2 모델이 인터페이스 패턴을 명시적으로 훈련받지 않았더라도 결정립 경계 인터페이스를 탐지할 수 있는가?
• RQ3 베이지안 신경망에서 도출된 불확실성 추정치가 실제로 STEM 영상의 구조적 불연속성과 얼마나 잘 상관되는가?
• RQ4 FFT-HAADF 기술자가 다양한 결정학적 정렬과 재료에 걸쳐 일반화 성능을 얼마나 향상시키는가?
• RQ5 모델이 미세조정이나 수동 특징 엔지니어링 없이 실제 실험적 STEM 데이터에서 높은 정확도를 달성할 수 있는가?

주요 결과

• AI-STEM 모델은 시뮬레이션 및 실험 영상 모두에서 fcc, bcc, hcp 등의 결정 구조 분류에 높은 정확도를 보이며, 테스트 시 미리 보지 않은 재료에 대해서도 성능을 유지한다.
• 훈련 세트에 명시적인 인터페이스 데이터가 없더라도, Cu, Fe, Ti의 실험 영상에서 결정립 경계 인터페이스를 성공적으로 탐지한다.
• 베이지안 네트워크에서 도출된 불확실성 추정치는 실제 인터페이스 위치와 강하게 상관되며, 신뢰할 수 있는 결함 탐지가 가능하다.
• 모델은 다양한 재료와 결정학적 정렬에 걸쳐 일반화되며, 격자 간격과 정렬의 변화에 대해 강건함을 입증한다.
• FFT-HAADF를 입력으로 사용함으로써 주기적 격자 정보를 효과적으로 코딩함으로써 노이즈 및 실험적 오염 요소가 존재하는 상황에서도 성능 향상을 이룬다.
• 모델은 오직 시뮬레이션 데이터만으로도 뛰어난 성능를 달성하여, 비용이 많이 들고 시간이 오래 소요되는 실험적 레이블링에 대한 의존도를 줄였다.

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