[论文解读] Near-real-time diagnosis of electron optical phase aberrations in scanning transmission electron microscopy using an artificial neural network

Giovanni Bertoni, Enzo Rotunno+5 more|arXiv (Cornell University)|Jun 13, 2022

Electron and X-Ray Spectroscopy Techniques被引用 4

一句话总结

本文提出一种人工神经网络（ANN），利用单张罗兰光栅图（Ronchigram）实现扫描透射电子显微镜（STEM）中电子光学相位像差的近实时诊断。通过基于衍射图的傅里叶变换生成的合成罗兰光栅图进行训练，该ANN能够以低于其动态范围5%的平均绝对误差，准确预测8个关键像差系数，从而实现实时应用中（包括MEMS光学器件）像差校正的快速反馈。

ABSTRACT

The key to optimizing spatial resolution in a state-of-the-art scanning transmission electron microscope is the ability to precisely measure and correct for electron optical aberrations of the probe-forming lenses. Several diagnostic methods for aberration measurement and correction with maximum precision and accuracy have been proposed, albeit often at the cost of relatively long acquisition times. Here, we illustrate how artificial intelligence can be used to provide near-realtime diagnosis of aberrations from individual Ronchigrams. The demonstrated speed of aberration measurement is important as microscope conditions can change rapidly, as well as for the operation of MEMS-based hardware correction elements that have less intrinsic stability than conventional electromagnetic lenses.

研究动机与目标

• 开发一种快速、自动化的STEM电子光学相位像差诊断方法，以克服传统方法采集时间过长的局限。
• 实现实时反馈以进行像差校正，尤其对不稳定的MEMS基光学器件至关重要。
• 利用人工智能技术，直接从单张罗兰光栅图中提取精确的像差参数，而无需依赖多角度倾斜或半解析拟合方法。
• 将ANN的性能与商业像差校正器中使用的标准Zemlin表格法进行对比验证。

提出的方法

• 该方法使用基于电子束通过相位物体散射的物理模型生成合成罗兰光栅图，其中包含基于泽尼克多项式展开的像差项。
• 将罗兰光栅图划分为5×5个子区域，对每个子区域计算其快速傅里叶变换（FFT），以提取局部衍射图案。
• 采用包含4个模块的卷积神经网络（ANN）架构，每个模块包含2D卷积层、池化层、Dropout层以及全连接密集层，用于将25个FFT图案映射至对应的像差系数。
• 在10万个合成数据集上进行网络训练，其中聚焦、球差、像散和彗差等像差参数在预设范围内随机生成。
• ANN输出8种主要像差的系数（𝐶𝑛,𝑚,𝑎, 𝐶𝑛,𝑚,𝑏），并通过三角函数关系转换为标准泽尼克形式。
• 使用来自CTEM实验的罗兰光栅图对训练好的模型进行验证，将预测结果与显微镜自身Zemlin表格法校正软件测得的值进行对比。

实验结果

研究问题

• RQ1 深度神经网络能否以高精度和高速度从单张罗兰光栅图中准确推断电子光学相位像差？
• RQ2 与传统的Zemlin表格法相比，该ANN在准确性和误差范围方面表现如何？
• RQ3 该ANN在不同像差类型（包括三重像散和彗差等高阶项）上的泛化能力如何？
• RQ4 该ANN能否对所有像差系数实现可靠的符号识别，这对实时校正系统反馈至关重要？
• RQ5 该ANN在实际STEM运行环境中，实现动态像差诊断的实时性能可达何种水平？

主要发现

• 对于聚焦（C1,0），MAE为15 nm，相对误差仅0.8%，归因于第一衍射极小值对聚焦高度敏感。
• 对于球差（C3,0），MAE为3.49 µm，对应3.5%的相对误差，表明在关键像差项上具有高精度。
• 对于二重像散（A1），MAE分别为4.7 nm和4.8 nm，相对误差分别为4.8%和4.9%，表明在低阶像散下表现优异。
• 对于彗差（B2），MAE为49 nm（误差4.9%）；对于三重像散（A2），MAE为37 nm（误差3.7%），表明在高阶像差上也保持一致性能。
• 在所有测试案例中，ANN均正确识别了所有像差的符号，这对实时系统中的有效校正至关重要。
• 实验验证显示，ANN预测值与Zemlin表格法测量值高度一致，所有像差类型的决定系数R² > 0.95，证实了其鲁棒性与可靠性。