用深度学习解耦多重散射：在电子衍射图应变映射中的应用
材料科学
2022-02-02 v1 计算机视觉与模式识别
应用物理
摘要
为晶体材料实现快速、鲁棒且全自动的晶体结构确定及潜在应变映射流程，对许多技术应用十分重要。扫描电子纳米衍射提供了一种以良好精度和高空间分辨率识别并采集应变图的方法。然而，该技术的应用受限，尤其在厚样品中电子束会发生多重散射，引入信号非线性。深度学习方法有潜力反演这些复杂信号，但此前的实现通常仅在特定晶系或晶体结构与显微镜参数相空间的小子集上训练。在本研究中，我们实现了一种称为 FCU-Net 的傅里叶空间复值深度神经网络，将高度非线性的电子衍射图反演为相应的定量结构因子图像。我们使用超过 200,000 张独特的模拟动力学衍射图训练 FCU-Net，这些图包含了许多不同的晶体结构、取向、厚度、显微镜参数及常见实验伪影的组合。我们在模拟与实验 4D-STEM 衍射数据集上评估了训练好的 FCU-Net 模型，其表现大幅优于传统分析方法。我们的模拟衍射图库、FCU-Net 实现及训练模型权重均在开源仓库中免费提供，并可适用于许多不同的衍射测量问题。
引用
@article{arxiv.2202.00204,
title = {Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns},
author = {Joydeep Munshi and Alexander Rakowski and Benjamin H Savitzky and Steven E Zeltmann and Jim Ciston and Matthew Henderson and Shreyas Cholia and Andrew M Minor and Maria KY Chan and Colin Ophus},
journal= {arXiv preprint arXiv:2202.00204},
year = {2022}
}
备注
17 pages, 7 figures