[論文レビュー] Reconstruction of 3-D Atomic Distortions from Electron Microscopy with Deep Learning

Nouamane Laanait, Qian He+1 more|arXiv (Cornell University)|Feb 19, 2019

Electron and X-Ray Spectroscopy Techniques参考文献 24被引用数 10

ひとこと要約

本論文は、1枚の2次元走査型透過電子顕微鏡（STEM）像から、複雑な酸化物ペロブスカイトにおける酸素オクタヘドロンの回転——特に三次元原子的歪みを再構築するためのディープラーニング手法を提示する。マルチスライスの電子散乱シミュレーションでトレーニングされた独自の12層畳み込みニューラルネットワークを用いて、多様なペロブスカイト材料において回転角の予測で±1°未満の精度を達成した。実験的条件の事前知識がなくても、ユニットセル分解能で定量的な三次元構造解析が可能となる。

ABSTRACT

Deep learning has demonstrated superb efficacy in processing imaging data, yet its suitability in solving challenging inverse problems in scientific imaging has not been fully explored. Of immense interest is the determination of local material properties from atomically-resolved imaging, such as electron microscopy, where such information is encoded in subtle and complex data signatures, and whose recovery and interpretation necessitate intensive numerical simulations subject to the requirement of near-perfect knowledge of the experimental setup. We demonstrate that an end-to-end deep learning model can successfully recover 3-dimensional atomic distortions of a variety of oxide perovskite materials from a single 2-dimensional experimental scanning transmission electron (STEM) micrograph, in the process resolving a longstanding question in the recovery of 3-D atomic distortions from STEM experiments. Our results indicate that deep learning is a promising approach to efficiently address unsolved inverse problems in scientific imaging and to underpin novel material investigations at atomic resolution.

研究の動機と目的

• 単一の2次元電子顕微鏡像から三次元原子的歪みを回復するという長年の課題に取り組む。
• 複雑な酸化物ペロブスカイトにおける酸素オクタヘドロンの回転を、定量的かつユニットセルレベルでマッピングすることを可能にする。
• 従来の手法が広範な数値シミュレーションと実験パラメータの完全な知識を必要とするという制限を克服する。
• 実験的ABF-STEMデータから三次元構造の対称性と歪みの大きさを推定できる汎用的なディープラーニングモデルを開発する。

提案手法

• 2次元アンユールド・ブライトフィールドSTEM（ABF-STEM）像から3次元オクタヘドロン回転角（α, β, γ）を予測する目的で、独自の12層ディープ畳み込みニューラルネットワーク（DCNN）をトレーニングした。
• トレーニングデータセットは、スルーティウムチタン酸塩（SrTiO₃）のABF-STEM像7×10⁵枚から構成され、マルチスライス電子散乱シミュレーションにより、(−10°, 10°)の範囲で0.25°刻みのオクタヘドロン回転を含む。
• ガウス過程を用いて構造的変動をモデル化し、一般化性能を向上させるためにシミュレーションの多様性を高めた。
• トレーニング中にランダムな画像変換を適用し、実際のSTEM装置のばらつきを模擬し、実験的ノイズに対するロバストネスを向上させた。
• モデルの妥当性を確認するため、90/10のトレイン・バリデーション分割を実施し、収束状態を確認するために平均二乗誤差（MSE）を用いた。
• DCNNアーキテクチャにはバッチ正規化、ReLUおよびtanh活性化関数、平均プーリングを組み込み、トレーニングの安定化と特徴抽出の強化を図った。

実験結果

リサーチクエスチョン

• RQ1 実験的設定の事前知識がなくても、ディープラーニングモデルが単一の2次元ABF-STEM像から正確に三次元原子的歪みを再構築できるか？
• RQ2 1つのペロブスカイト系でトレーニングされたDCNNが、トレーニングデータに含まれない他の未観測のペロブスカイト材料におけるオクタヘドロン回転をどの程度一般化して予測できるか？
• RQ3 ディープラーニングは、複雑な酸化物における酸素オクタヘドロンのサブデグリー角歪みをどの程度の精度で予測できるか？
• RQ4 モデルは、微小かつ異方的歪みを含む、回転パラメータ空間の全範囲でどの程度の性能を示すか？
• RQ5 ABF-STEM像からディープラーニングを用いて三次元構造情報を抽出する際の固有の制限は何か？

主な発見

• ディープ畳み込みニューラルネットワークは、実験的ABF-STEM像から酸素オクタヘドロン回転角（α, β, γ）を予測する際、1サンプルあたりのバリデーション誤差が約±1°に達した。
• トレーニングデータに含まれないペロブスカイト材料に対しても、3次元原子的歪みを正確に予測することができ、さまざまな材料系にわたるロバストネスを示した。
• 本手法により、広範なシミュレーションや事前の実験キャリブレーションが不要な状態で、実験的2次元STEMデータから直接、定量的かつユニットセル分解能でのオクタヘドロン回転マッピングが可能となった。
• モデルはABF-STEMイメージングの固有の制限、例えば特定の回転対称性への感度が低いことといった点を同定し、三次元再構築の精度に影響を与える要因を明らかにした。
• 本アプローチにより、薄膜やスーパーラティスにおける界面でのチルト結合の直接的な実験的調査が可能となり、酸化物材料における構造-性質相関に関する新たな知見が得られた。