[논문 리뷰] Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns

Joydeep Munshi, Alexander Rakowski외 8명|arXiv (Cornell University)|2022. 02. 01.

X-ray Diffraction in Crystallography인용 수 7

한 줄 요약

이 논문은 4D-STEM에서 다중 산란을 분리하여 두꺼운 시료에서 정확하고 자동화된 변형도 매핑을 가능하게 하는 복소수 푸리에 공간 딥 뉴럴 네트워크인 FCU-Net을 제안한다. 다양한 결정 구조, 정렬, 두께 및 현미경 설정을 포함한 200,000개 이상의 시뮬레이션된 역학적 衍射 패턴을 기반으로 훈련된 FCU-Net은 시뮬레이션 및 실험 데이터에서 정량적 구조 인자 이미지를 복원하는 데 기존 방법보다 뛰어난 성능을 보이며, 다중 산란이 신호를 왜곡시키는 두꺼운 시료에서도 유사하다.

ABSTRACT

Implementation of a fast, robust, and fully-automated pipeline for crystal structure determination and underlying strain mapping for crystalline materials is important for many technological applications. Scanning electron nanodiffraction offers a procedure for identifying and collecting strain maps with good accuracy and high spatial resolutions. However, the application of this technique is limited, particularly in thick samples where the electron beam can undergo multiple scattering, which introduces signal nonlinearities. Deep learning methods have the potential to invert these complex signals, but previous implementations are often trained only on specific crystal systems or a small subset of the crystal structure and microscope parameter phase space. In this study, we implement a Fourier space, complex-valued deep neural network called FCU-Net, to invert highly nonlinear electron diffraction patterns into the corresponding quantitative structure factor images. We trained the FCU-Net using over 200,000 unique simulated dynamical diffraction patterns which include many different combinations of crystal structures, orientations, thicknesses, microscope parameters, and common experimental artifacts. We evaluated the trained FCU-Net model against simulated and experimental 4D-STEM diffraction datasets, where it substantially out-performs conventional analysis methods. Our simulated diffraction pattern library, implementation of FCU-Net, and trained model weights are freely available in open source repositories, and can be adapted to many different diffraction measurement problems.

연구 동기 및 목표

• 두꺼운 시료에서 다중 산란으로 인한 제약을 극복하고 4D-STEM을 활용한 결정성 물질의 강건하고 자동화된 변형도 매핑 파ipeline 개발.
• 역학적 산만으로 인한 비선형 신호 왜곡 문제 해결, 이는 기존 분석 방법의 성능을 저해한다.
• 다양한 결정계, 정렬, 두께 및 현미경 설정을 기반으로 훈련된 일반화 가능한 딥 러닝 모델 개발을 통해 이식성과 정확도 향상.
• 훈련된 모델, 시뮬레이션 라이브러리, 코드를 오픈소스로 제공하여 전자현미경 및 재료 특성 분석 분야의 광범위한 활용 촉진.

제안 방법

• FCU-Net은 푸리에 공간에서 작동하는 복소수 허수 U-Net 아키텍처로, 매우 비선형적인 역학적 衍射 패턴을 구조 인자 이미지로 역전환하도록 설계되었다.
• 모델은 다양한 결정 구조, 정렬, 두께, 현미경 설정 및 실험적 잡음까지 포함된 200,000개 이상의 고유한 시뮬레이션된 衍射 패턴을 기반으로 훈련되었다.
• 일반화 및 다양한 실험 조건에서의 강인성을 향상하기 위해 데이터 증강 및 전처리 기법이 적용되었다.
• 네트워크는 시뮬레이션된 4D-STEM 데이터셋과 헥사곤형 붕소질화물 및 Si/SiGe 다층막에서의 실제 실험 데이터를 대상으로 평가되었다.
• 교차상관 및 세프스트럼 변환과 같은 기존 방법과의 성능 비교를 통해 정량적 변형도 매핑을 평가하였으며, 독립적인 EELS 측정 결과와 비교하였다.
• 구현은 py4DSTEM 0.12.x 소프트웨어 스택에 통합되었으며, 오픈소스 레포지토리에서 공개되었다.

실험 결과

연구 질문

• RQ1 다양한 합성 데이터셋으로 훈련된 딥 러닝 모델이 두꺼운 시료의 복잡하고 비선형적인 衍射 패턴을 정량적 구조 인자로 정확히 역전환할 수 있는가?
• RQ2 다중 산만 효과가 존재하는 상황에서 FCU-Net의 성능은 기존의 衍射 분석 방법과 비교해 어떻게 되는가?
• RQ3 재훈련 없이도 다양한 결정 구조, 정렬 및 현미경 설정에 대해 모델이 얼마나 잘 일반화되는가?
• RQ4 특히 두꺼운 또는 복잡한 재료에서 실험적 4D-STEM 데이터에 대해 고정밀도 변형도 매핑을 달성할 수 있는가?
• RQ5 표본 두께와 조성에 대한 독립적인 EELS 측정 결과와 비교했을 때 모델의 성능은 어떠한가?

주요 결과

• FCU-Net은 다중 산만으로 인해 신호가 왜곡되는 두꺼운 시료에서 4D-STEM 데이터로부터 구조 인자를 복원하는 데 기존 분석 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 헥사곤형 붕소질화물의 실험 데이터에서 FCU-Net은 다양한 렌즈 조건과 비트 조건에서도 일관된 결과를 도출하여 정확한 변형도 매핑을 달성했다.
• Si/SiGe 다층막 시료에서 FCU-Net이 예측한 변형도 프로파일은 베가드의 법칙과 푸아송 비율을 사용해 추정한 이론적 변형도와 매우 유사했으며, Si와 Ge 간의 격자 상수 차이는 0.12 Å였다.
• 독립적인 EELS 측정 결과와의 검증을 통해 표본 두께가 약 110 nm로 추정되었으며, 이는 모델의 운영 범위와 일치했다.
• 훈련된 FCU-Net 모델은 다양한 결정계와 실험 조건에서 잘 일반화되며, 특정 훈련 분포를 초월한 강인성을 보였다.
• 시뮬레이션 라이브러리, 모델 가중치, 코드의 오픈소스 배포를 통해 다양한 衍射 기반 재료 특성 분석 문제에 대한 광범위한 재사용과 변형이 가능해졌다.