利用 4D 电子衍射数据集训练人工神经网络实现高精度取向与应变制图
介观与纳米尺度物理
2021-03-08 v1 材料科学
摘要
本文描述了利用模拟的动态电子衍射图样训练人工神经网络（ANNs）和卷积神经网络（CNNs）的技术。其前提基于以下事实。首先，给定合适的晶体结构模型和散射势，可使用动态衍射理论精确模拟电子衍射图样。其次，以模拟衍射图样为输入，可训练 ANNs 用于确定晶体结构性质，如晶体取向和局域应变。进一步，通过将训练好的 ANNs 应用于使用扫描电子纳米衍射（SEND）或 4D 扫描透射电子显微术（4D-STEM）技术收集的四维衍射数据集（4D-DD），可在高空间分辨率下绘制晶体结构性质图。在此，我们展示了 ANN 赋能的高精度晶体取向与应变分析的可能性，并通过与先前方法比较来基准测试 ANNs 和 CNNs 的性能。我们展示了取向制图角分辨率提升三十倍达 0.009 度（0.16 mrad）、应变制图灵敏度达 0.04% 或更低，以及计算性能的提升。
引用
@article{arxiv.2103.03367,
title = {Training artificial neural networks for precision orientation and strain mapping using 4D electron diffraction datasets},
author = {Renliang Yuan and Jiong Zhang and Lingfeng He and Jian-Min Zuo},
journal= {arXiv preprint arXiv:2103.03367},
year = {2021}
}
备注
19 pages, 12 figures, for PICO 2021 special issue in Ultramicroscopy, the Sixth Conference on Frontiers of Aberration Corrected Electron Microscopy