Атомный взгляд: ускорение 3D-реконструкции материалов с помощью машинного обучения

Автор: Денис Аветисян

Новый подход, объединяющий физические модели и байесовскую оптимизацию, значительно упрощает и ускоряет анализ атомной структуры материалов по данным высокоразрешающей просвечивающей электронной микроскопии.

В предложенном подходе к количественной HRTEM-микроскопии, замена ручной, итеративной процедуры оптимизации параметров на автоматизированный алгоритм байесовской оптимизации, использующий пакеты входных векторов параметров <span class="katex-eq" data-katex-display="false">\mathbf{X}\in\mathbb{R}^{n}</span> и динамическую адаптацию пространства поиска <span class="katex-eq" data-katex-display="false">\mathbb{R}^{n}</span> с учетом как непрерывных, так и дискретных параметров, а также физических ограничений, позволяет существенно повысить эффективность и точность моделирования и анализа экспериментальных данных. — В предложенном подходе к количественной HRTEM-микроскопии, замена ручной, итеративной процедуры оптимизации параметров на автоматизированный алгоритм байесовской оптимизации, использующий пакеты входных векторов параметров $\mathbf{X}\in\mathbb{R}^{n}$ и динамическую адаптацию пространства поиска $\mathbb{R}^{n}$ с учетом как непрерывных, так и дискретных параметров, а также физических ограничений, позволяет существенно повысить эффективность и точность моделирования и анализа экспериментальных данных.

Разработана платформа, использующая байесовскую оптимизацию с учетом физических ограничений для количественной 3D-реконструкции из одиночных изображений высокоразрешающей просвечивающей электронной микроскопии.

Несмотря на важность количественной высокоразрешающей просвечивающей электронной микроскопии (HRTEM) для определения структуры материалов на атомном уровне, рутинное извлечение информации затруднено из-за вычислительной сложности и необходимости итеративной настройки параметров. В данной работе, посвященной ‘Physics-informed Bayesian Optimization for Quantitative High-Resolution Transmission Electron Microscopy’, предложен фреймворк, использующий оптимизацию на основе байесовских моделей с учетом физических ограничений, для автоматизации и ускорения трехмерной реконструкции кристаллической структуры. Показано, что предложенный подход позволяет в три-четыре раза повысить эффективность количественного анализа HRTEM изображений, используя в качестве примера монокристалл BaTiO3. Открывает ли это новые перспективы для оперативного исследования объемных структур материалов и изучения динамических процессов в реальном времени?

Вызов количественной оценки микроструктуры

Высокоразрешающая просвечивающая электронная микроскопия (ВРПЭМ) играет фундаментальную роль в материаловедении, позволяя исследовать структуру материалов на атомном уровне. Однако, несмотря на свою значимость, интерпретация полученных изображений часто носит субъективный характер и требует значительных временных затрат. Оценка параметров микроструктуры, таких как дефекты кристаллической решетки или границы зерен, традиционно полагается на визуальный анализ, что приводит к расхождениям в оценках между разными исследователями. Такой подход ограничивает возможность получения точных и воспроизводимых данных, необходимых для разработки и улучшения материалов с заданными свойствами. В связи с этим, существует острая потребность в автоматизированных и объективных методах анализа ВРПЭМ-изображений, способных значительно ускорить процесс исследования и повысить надежность полученных результатов.

Традиционные методы анализа изображений, полученных с помощью просвечивающей электронной микроскопии высокого разрешения, сталкиваются с серьезными трудностями при извлечении количественных данных из сложных микроструктур. Неточность в определении параметров, таких как дефекты кристаллической решетки, размер частиц или межфазные границы, напрямую влияет на точность определения ключевых свойств материалов — прочности, пластичности, электропроводности и других. Вследствие этого, исследователи часто ограничиваются лишь качественным описанием наблюдаемых структур, что препятствует глубокому пониманию взаимосвязи между микроструктурой и макроскопическими характеристиками. Особенно остро эта проблема проявляется при анализе наноматериалов, где даже незначительные погрешности в определении размеров и формы частиц могут существенно исказить результаты исследований и привести к неверным выводам о свойствах материала.

Подгонка параметров моделирования к экспериментальным изображениям, полученным с помощью просвечивающей электронной микроскопии, представляет собой чрезвычайно трудоемкий процесс. В настоящее время эта процедура требует от исследователя значительных временных затрат, часто исчисляемых неделями или даже месяцами для обработки одного набора данных. Существенная проблема заключается в субъективности, присущей ручной настройке параметров, поскольку результат напрямую зависит от опыта и личных предпочтений специалиста. Такая зависимость от человеческого фактора вносит погрешности и снижает воспроизводимость результатов, что затрудняет объективную оценку микроструктуры материалов и установление корреляции между ее характеристиками и свойствами вещества. Данный подход ограничивает возможности проведения масштабных исследований и требует разработки автоматизированных методов анализа для повышения точности и эффективности извлечения количественных данных из изображений.

Метод параллельного сопоставления позволил определить трехмерную структуру областей интереса (ROI) путем оптимизации атомной модели с учетом количества атомов в каждой колонке, игнорируя отдельные вакансии и энергетически невыгодные атомы поверхности, что подтверждается устойчивой сходимостью алгоритма (LMSEL\_{\rm MSE} на графике) и соответствием экспериментальных изображений смоделированным данным, демонстрируя увеличение толщины образца от верхнего к нижнему краю, обусловленное подготовкой к ТЭМ.

Байесовская оптимизация для автоматической количественной оценки HRTEM

Метод байесовской оптимизации, основанный на физических принципах, обеспечивает автоматический подбор параметров моделирования для соответствия экспериментальным изображениям высокоразрешающей просвечивающей электронной микроскопии (HRTEM). В отличие от традиционных итеративных методов, требующих ручной корректировки параметров пользователем, данная методика позволяет достичь ускорения в 3-4 порядка величины. Это достигается за счет эффективного поиска оптимальных параметров в многомерном пространстве, что существенно сокращает время, необходимое для получения результатов, с недель или месяцев до нескольких минут. Данный подход особенно актуален для анализа сложных структур материалов, где точное соответствие между симуляцией и экспериментом критически важно.

В рамках данной системы для аппроксимации сложной зависимости между параметрами моделирования и степенью схожести с экспериментальными изображениями просведенной электронной микроскопии используется регрессия на основе гауссовских процессов (Gaussian Process Regression). Гауссовские процессы позволяют строить вероятностную модель, предсказывающую значение функции (в данном случае, степень схожести изображения) с учетом неопределенности. Это особенно важно при оптимизации сложных, нелинейных систем, где традиционные методы могут быть неэффективны или требовать значительных вычислительных ресурсов. Использование гауссовского процесса в качестве суррогатной модели позволяет эффективно оценивать различные комбинации параметров и направлять процесс оптимизации к оптимальным значениям, минимизируя количество необходимых вычислений.

Байесовская оптимизация значительно сокращает время оптимизации параметров моделирования при сопоставлении с экспериментальными изображениями HRTEM за счет итеративного уточнения суррогатной модели. Вместо последовательного ручного подбора параметров, требующего недели или месяцы, данный подход использует Гауссовский процесс регрессии для аппроксимации зависимости между параметрами и степенью соответствия изображения. На каждой итерации суррогатная модель обновляется на основе результатов оценки наиболее перспективных наборов параметров, что позволяет быстро сходиться к оптимальным значениям и снижает время оптимизации до нескольких минут. Такой подход обеспечивает существенное ускорение процесса, автоматизируя и упрощая анализ данных HRTEM.

Глобальная подгонка параметров изображения на основе усредненных экспериментальных данных позволила определить структуру и толщину пленки BTO, продемонстрировав стабильную сходимость алгоритма и выявив смещения атомных колонок после оптимизации параметров структуры, что подтверждается минимальным значением <span class="katex-eq" data-katex-display="false">\mathcal{L}_{MSE}</span> и стабильным сходимым графиком. — Глобальная подгонка параметров изображения на основе усредненных экспериментальных данных позволила определить структуру и толщину пленки BTO, продемонстрировав стабильную сходимость алгоритма и выявив смещения атомных колонок после оптимизации параметров структуры, что подтверждается минимальным значением $\mathcal{L}_{MSE}$ и стабильным сходимым графиком.

Валидация точности изображения с использованием многомерного сравнения

Оптимизация методом Trust-Region Bayesian Optimization (TRBO) характеризуется динамической адаптацией области поиска параметров. В отличие от традиционных методов оптимизации с фиксированным шагом, TRBO оценивает неопределенность модели и на основе этого сужает или расширяет область поиска, концентрируясь на наиболее перспективных параметрах. Такой подход позволяет значительно ускорить сходимость алгоритма к оптимальному решению и повысить точность подгонки параметров, поскольку алгоритм избегает исследования нерелевантных областей пространства параметров и эффективно использует информацию о градиенте и гессиане.

Для оценки сходства изображений применяется комбинированный подход, включающий в себя метрики Mean Squared Error (MSE), Structural Similarity Index Metric (SSIM), Normalized Cross-Correlation Coefficient (NCC) и оценку контрастности изображения. Использование нескольких метрик позволяет обеспечить более надежную и устойчивую валидацию, поскольку каждая из них чувствительна к различным аспектам изображения. MSE измеряет среднюю квадратичную разницу между пикселями, SSIM оценивает структурное сходство, учитывая яркость, контрастность и структуру, NCC определяет линейную корреляцию между изображениями, а анализ контрастности позволяет учесть различия в распределении яркости. Комбинирование этих метрик минимизирует влияние отдельных аномалий и обеспечивает более точную оценку общего сходства изображений.

При использовании комбинированного подхода к оценке сходства изображений, включающего метрики Mean Squared Error, Structural Similarity Index Metric, Normalized Cross-Correlation Coefficient и Image Contrast, достигнут коэффициент Normalized Cross-Correlation (NCC) в 96.3% между смоделированным изображением, полученным на основе реконструированной структуры, и исходным экспериментальным изображением. Данный результат свидетельствует о высокой степени соответствия между смоделированными и экспериментально полученными данными, что подтверждает адекватность применяемого метода реконструкции и моделирования. Высокое значение NCC указывает на значительную корреляцию пиксельных значений между двумя изображениями, подтверждая, что смоделированное изображение точно воспроизводит основные характеристики исходного изображения.

Моделирование показало, что добавление вакуума вблизи образца оказывает влияние на контраст изображения, которое можно компенсировать корректировкой параметра <span class="katex-eq" data-katex-display="false">C_1</span>, что позволяет объединить изображения отдельных участков в единую модель, учитывая их относительное положение по оси z. — Моделирование показало, что добавление вакуума вблизи образца оказывает влияние на контраст изображения, которое можно компенсировать корректировкой параметра $C_1$ , что позволяет объединить изображения отдельных участков в единую модель, учитывая их относительное положение по оси z.

Широкая применимость к различным системам материалов

Разработанный методологический подход продемонстрировал свою универсальность, успешно применяясь к анализу структурных особенностей как бария титаната, так и оксида иттрия и алюминия. Этот факт свидетельствует о способности фреймворка адаптироваться к различным кристаллическим структурам и химическим составам, что значительно расширяет спектр его применимости в материаловедении. Успешное применение к данным материалам подтверждает надежность и точность алгоритмов, используемых для количественной оценки смещений и деформаций, а также позволяет рассчитывать влияние поляризационных эффектов на структуру материалов с высокой степенью достоверности. Данный результат открывает перспективы для дальнейшего исследования и анализа других сложных оксидных систем, что способствует более глубокому пониманию их физических свойств и возможностей применения.

Точное количественное определение ферроэлектрической деформации в барий титанате, находящейся под влиянием поля деполяризации, стало возможным благодаря прецизионной подгонке параметров модели. Исследование демонстрирует, что аккуратная настройка ключевых параметров позволяет достоверно оценить степень искажения кристаллической решетки, вызванного внутренним электрическим полем. Поле деполяризации, возникающее из-за поляризации материала, существенно влияет на распределение заряда и, следовательно, на деформацию. Использование разработанного подхода обеспечивает возможность детального анализа влияния этого поля на ферроэлектрические свойства барий титаната, открывая перспективы для оптимизации его характеристик в различных применениях, например, в высокочувствительных датчиках и запоминающих устройствах.

Для получения высококачественных изображений в просведенной электронной микроскопии (HRTEM) критически важна коррекция аберраций. Искажения, возникающие в электронно-оптической системе, значительно снижают разрешение и контрастность, затрудняя анализ микроструктуры материалов. Разработанный подход использует байесовскую оптимизацию, которая неявно учитывает влияние аберраций при моделировании изображений. Этот процесс позволяет автоматически находить оптимальные параметры моделирования, приводящие к наилучшему соответствию между симулированными и экспериментальными изображениями, эффективно компенсируя искажения и обеспечивая точную количественную оценку характеристик материала на атомном уровне. Таким образом, байесовская оптимизация выступает в качестве мощного инструмента для повышения достоверности и информативности анализа HRTEM изображений.

Ключевым элементом разработанного подхода является моделирование изображений, осуществляемое с помощью специализированного программного обеспечения, такого как Dr. Probe. Этот процесс позволяет учитывать влияние функции передачи модуляции (МТФ) — параметра, определяющего способность микроскопа различать мелкие детали. Точное моделирование позволяет сопоставить теоретические расчеты структуры материала с фактически полученными изображениями, что необходимо для корректной интерпретации данных и количественной оценки искажений. Использование МТФ в процессе моделирования не только повышает точность анализа, но и позволяет учитывать ограничения, связанные с разрешающей способностью используемого оборудования, обеспечивая надежность и воспроизводимость результатов.

Интегрированная 3D-модель атомной структуры позволила воспроизвести экспериментальное изображение <span class="katex-eq" data-katex-display="false">NCCP_{P}</span> с точностью 96.3%, выявив незначительные контрастные различия между смоделированным и экспериментальным данными, что подтверждает адекватность построенной модели. — Интегрированная 3D-модель атомной структуры позволила воспроизвести экспериментальное изображение $NCCP_{P}$ с точностью 96.3%, выявив незначительные контрастные различия между смоделированным и экспериментальным данными, что подтверждает адекватность построенной модели.

Исследование демонстрирует стремление к преодолению ограничений традиционных методов реконструкции структуры материалов. Авторы предлагают не просто оптимизацию параметров, а интеграцию физических моделей непосредственно в процесс поиска оптимального решения. Этот подход, направленный на уменьшение неопределенности и повышение точности, особенно важен при работе с данными, полученными с помощью высокоразрешающей просвечивающей электронной микроскопии. Как однажды заметил Ричард Фейнман: «Если вы не можете объяснить что-то простыми словами, значит, вы сами этого не понимаете». В данном случае, физически обоснованная оптимизация позволяет не только получить результат, но и глубже понять процессы, лежащие в основе формирования изображения, что особенно ценно при анализе данных с высоким разрешением и построении трехмерных моделей.

Куда двигаться дальше?

Представленная работа, безусловно, демонстрирует ускорение реконструкции трехмерной структуры по данным высокоразрешающей просвечивающей электронной микроскопии. Однако, следует помнить: скорость — не самоцель, если она достигается за счёт упрощения физической модели. Ключевым вопросом остаётся адекватность используемых априорных знаний. Если начальные предположения о структуре материала окажутся грубыми, даже самый эффективный алгоритм оптимизации лишь быстрее приведёт к неверному результату. Воспроизводимость, а не скорость, должна быть мерилом успеха.

Очевидным направлением для дальнейших исследований является разработка более точных и вычислительно эффективных моделей взаимодействия электронов с веществом. Учёт многочастичных эффектов, динамической дифракции и несовершенств кристаллической решетки — задачи, требующие значительных усилий. Не менее важным представляется развитие методов валидации полученных структур, независимых от исходных данных. Если результат нельзя подтвердить несколькими независимыми способами, это, скорее всего, красивая иллюзия, чем научный факт.

В конечном счёте, успех данного подхода, как и любой другой методики количественного анализа материалов, будет определяться не столько алгоритмическими ухищрениями, сколько глубиной физического понимания исследуемого объекта. Ускорение процесса — это лишь инструмент. Главное — не потерять из виду, что мы пытаемся измерить, и насколько достоверны полученные значения. Иначе, все эти оптимизации — лишь ускоренный путь к элегантной ошибке.

Оригинал статьи: https://arxiv.org/pdf/2603.19943.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-24 03:10

🚀 Квантовые новости