[论文解读] 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 10

一句话总结

本文提出一种深度学习方法，仅从一张2D扫描透射电子显微镜（STEM）图像中重建复杂氧化物钙钛矿中的三维原子畸变——特别是氧八面体旋转。通过在多层电子散射模拟数据上训练的定制12层卷积神经网络，该方法在多种钙钛矿材料中实现了亚度级精度（±1°）的旋转角度预测，无需事先了解实验条件，即可实现单位晶胞分辨率下的定量三维结构分析。

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.

研究动机与目标

• 解决长期以来从单张2D电子显微镜图像中恢复三维原子畸变的挑战。
• 实现在复杂氧化物钙钛矿中氧八面体旋转的定量、单位晶胞级映射。
• 克服传统方法依赖大量数值模拟和对实验参数完全了解的局限性。
• 开发一种可泛化的深度学习模型，能够从实验ABF-STEM数据中推断三维结构对称性和畸变幅度。

提出的方法

• 训练了一个定制的12层深度卷积神经网络（DCNN），将2D环形明场STEM（ABF-STEM）图像映射到三维八面体旋转角度（α, β, γ）。
• 训练数据集由7×10⁵张SrTiO₃的模拟ABF-STEM图像组成，八面体旋转范围为(−10°, 10°)，以0.25°为增量，通过多层电子散射模拟生成。
• 使用高斯过程建模结构变化，以增强模拟多样性，提升泛化能力。
• 在训练过程中应用随机图像变换，以模拟真实STEM仪器的差异，提高对实验噪声的鲁棒性。
• 采用90/10的训练-验证数据划分进行模型验证，使用均方误差（MSE）监控收敛情况。
• DCNN架构包含批量归一化、ReLU和tanh激活函数，以及平均池化层，以稳定训练并增强特征提取能力。

实验结果

研究问题

• RQ1 深度学习模型能否在不事先了解实验设置的情况下，准确从单张2D ABF-STEM图像中重建三维原子畸变？
• RQ2 在一种钙钛矿体系上训练的DCNN，在预测其他未见钙钛矿材料中的八面体旋转时，其泛化能力如何？
• RQ3 深度学习在预测复杂氧化物中氧八面体亚度级畸变角度方面能达到多高的精度？
• RQ4 模型在旋转参数空间的全范围内（包括小畸变和各向异性畸变）表现如何？
• RQ5 使用深度学习从ABF-STEM图像中提取三维结构信息存在哪些固有局限性？

主要发现

• 深度卷积神经网络在从实验ABF-STEM图像预测氧八面体旋转角度（α, β, γ）时，单样本验证误差约为±1°。
• 该模型成功泛化到训练数据中未包含的钙钛矿材料，展示了在不同材料类别中的鲁棒性。
• 该方法可直接从实验2D STEM数据实现八面体旋转的定量、单位晶胞分辨率映射，无需依赖大量模拟或事先的实验校准。
• 该模型识别出ABF-STEM成像的固有局限性，例如对某些旋转对称性的敏感度较低，这会影响三维重建的精度。
• 该方法使直接实验研究薄膜和超晶格中原子界面处倾斜耦合成为可能，为氧化物材料的结构-性能关系提供了新见解。