跳到正文
npj Computational Materials· Xiankang Tang·· 15 天前精选AI 评分66

物理约束贝叶斯优化加速 HRTEM 定量三维原子结构重建

Physics-informed Bayesian optimization for quantitative high-resolution transmission electron microscopy

AI 导读

一篇发表于 npj Computational Materials 的论文提出物理约束贝叶斯优化框架,用单张 HRTEM 图像定量重建三维原子结构,BaTiO3 样品成像参数拟合约 75 s 收敛、12 个 ROI 并行匹配约 300 s 收敛,相比人工监督迭代提速三到四个数量级。

AI 深度导读基于原文整理的分节解读
背景
高分辨透射电镜(HRTEM)能直接观察晶格、缺陷、表面与界面,在原位条件下还可追踪相变、晶格形变与催化过程。但实验图像会被残余像差、样品取向微小失配、电子束部分相干性、噪声(以图像展宽σ表征,主要贡献来自磁Johnson噪声)以及记录设备的调制传递函数(MTF)所扭曲;电子相位衬度成像的非线性也使像中峰强与实际原子柱构型之间不总是线性关系。此前主要靠焦系列重构、电子全息或基于模型的图像模拟来定量提取这些信息。
做法
研究工作流中,模拟像由明确给定全部参数的物理模型生成,参数分两类:已知量(MTF、原子种类、Debye–Waller因子等)与待定未知量,后者又分成像相关参数(残余像差、图像展宽σ等)和结构参数(原子位置、占位、电子吸收因子AF);像差按C1、A1、A2、B2、C3、A3、S3等记法。吸收在模拟中按Hashimoto–Howie–Whelan方式给原子散射势引入虚部(吸收势)近似处理。待定参数空间是高维的,尤其研究区域扩大时结构参数急剧增加。作者用贝叶斯优化(BO)替换传统的用户监督多步迭代更新:以模拟与实验图像逐像素差的均方误差作为目标函数,用基于高斯过程的代理模型拟合该函数并给出不确定性,由采集函数挑出新候选;采用TuRBO策略在参数空间中动态调整信赖域,搜索域随优化过程自适应变化。针对离散与连续混合参数,采样阶段引入连续松弛,并在把离散候选映射为原子结构、评估目标函数前施加物理约束。
结论
该方法在含重、中、轻元素的BaTiO3(BTO)实验样品上做了验证:从单张HRTEM图像确定三维晶体结构,并给出尺寸受限BTO中退极化的直接证据。作者称相比传统迭代方法,时间效率有显著提升,且方法能有效探索高维参数空间,并在不同材料体系间保持适应性。
意义
这套框架把物理模型与贝叶斯优化结合,替代了此前依赖人工、逐次只改少量参数的多步迭代,使成像参数与结构特征可以协同确定。对需要批量处理实验图像的原位/operando研究来说,瓶颈正从数据采集转向采集后的定量分析,效率提升意味着更大的样品体积乃至时间域上的结构变化有望被纳入模型化定量分析。
局限
正文指出,基于卷积神经网络的方法通常需要巨大且高质量的训练集,跨不同实验条件时泛化困难,且偏向学习像素级统计相关性而较少顾及底层物理机制;作者提出的物理驱动路线正是为缓解训练数据不足、提升泛化性与物理可解释性。就本方法本身,正文明确提到它是在模拟中对吸收作近似处理(给散射势加虚部),且待定参数空间随研究区域扩大而急剧膨胀。
下一步
作者表示后续应用目标是重建更大视野范围内的三维原子结构,为生成材料的数字孪生提供稳健且高效的途径。正文还提到,将模型化图像定量的应用范围扩展到更大样品体积并最终覆盖时间域上的结构变化,是这条路线要继续推进的方向。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

把贝叶斯优化接入 HRTEM 定量匹配,将三维原子结构重建从数周缩短到分钟级,方法可直接迁移到自动化电镜流程。

来源:npj Computational Materials · nature.com