[论文解读] Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns

Joydeep Munshi, Alexander Rakowski+8 more|arXiv (Cornell University)|Feb 1, 2022

X-ray Diffraction in Crystallography被引用 7

一句话总结

该论文提出FCU-Net，一种复值傅里叶空间深度神经网络，可解耦电子衍射图案中的多重散射效应，从而实现在4D-STEM中对厚样品进行精确、自动化的应变映射。该网络在200,000多个模拟的动力学衍射图案上进行训练，涵盖多种晶体结构、取向、厚度及显微镜参数，其在重建模拟与实验数据的定量结构因子图像方面优于传统方法，尤其在多重散射严重扭曲信号的厚样品中表现优异。

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.

研究动机与目标

• 开发一种稳健、自动化的晶体材料应变映射流程，利用4D-STEM技术，克服厚样品中多重散射带来的限制。
• 解决由于动力学散射导致的电子衍射信号非线性失真问题，该问题阻碍了传统分析方法的应用。
• 构建一个可泛化的深度学习模型，覆盖多种晶体体系、取向、厚度及显微镜参数，以提升模型的迁移能力与准确性。
• 向公众开放训练好的模型、模拟数据库及代码，以促进电子显微学与材料表征领域的广泛应用。

提出的方法

• FCU-Net是一种在傅里叶空间中运行的复值U-Net架构，旨在将高度非线性的动力学衍射图案反演为结构因子图像。
• 该模型在超过200,000个独特的模拟衍射图案上进行训练，涵盖多种晶体结构、取向、厚度、显微镜参数及实验伪影。
• 通过数据增强与预处理技术，提升模型在多样化实验条件下的泛化能力与鲁棒性。
• 网络在模拟的4D-STEM数据集和六方氮化硼及Si/SiGe多层膜的实际实验数据上进行评估。
• 性能与传统方法（如互相关法和倒谱变换）进行对比，定量应变图与独立的EELS测量结果进行比对。
• 该实现已集成至py4DSTEM 0.12.x软件栈，并通过开源代码库发布。

实验结果

研究问题

• RQ1 在多样化合成数据集上训练的深度学习模型，能否准确地将厚样品的复杂数值、非线性衍射图案反演为定量结构因子？
• RQ2 在多重散射效应存在的情况下，FCU-Net的性能与传统衍射分析方法相比如何？
• RQ3 该模型在无需微调的情况下，能在多大程度上泛化至不同的晶体结构、取向及显微镜参数？
• RQ4 该模型能否在实验4D-STEM数据中实现高精度的应变映射，尤其是在厚或复杂材料中？
• RQ5 当通过独立的EELS测量结果（如样品厚度与成分）进行验证时，该模型表现如何？

主要发现

• FCU-Net在从4D-STEM数据重建结构因子方面显著优于传统分析方法，尤其在多重散射严重扭曲信号的厚样品中表现突出。
• 在六方氮化硼的实验数据中，FCU-Net实现了精确的应变映射，结果在不同孔径与束流条件下保持一致。
• 在Si/SiGe多层膜样品中，FCU-Net预测的应变分布与基于Vegard定律和泊松比估算的理论应变高度吻合，Si与Ge的晶格常数差异为0.12 Å。
• 模型预测结果经独立EELS测量验证，EELS估算的样品厚度约为110 nm，与模型的工作范围一致。
• 训练好的FCU-Net模型在多种晶体体系和实验参数下均表现出良好的泛化能力，展现出超越特定训练分布的鲁棒性。
• 模拟数据库、模型权重及代码的开源发布，使得该方法可广泛复用于各类基于衍射的材料表征问题。