综述：机器学习增强的原子探针断层扫描分析

这篇综述系统阐述了机器学习（ML）如何革新原子探针断层扫描（APT）技术，通过自动化质谱分析、晶体学信息提取和微观结构特征识别，克服传统APT数据分析中的人为偏差和效率瓶颈，推动材料表征向标准化、可重复的FAIR（可查找、可访问、可互操作、可重用）数据原则迈进。

　　

机器学习增强的原子探针断层扫描分析

引言

原子探针断层扫描（APT）凭借其近原子级的三维成分映射能力，已成为材料表征的关键技术。然而，传统APT数据分析高度依赖人工操作，导致结果存在主观偏差且效率低下。近年来，机器学习（ML）的引入为APT数据处理的自动化、标准化和深度挖掘提供了全新解决方案。

APT技术基础与挑战

APT通过高压电场使针尖样品表面的原子逐层蒸发为离子，经飞行时间质谱（ToF-MS）检测后重构为三维点云数据。其独特优势在于兼具高空间分辨率（横向<1 nm，深度<0.1 nm）和成分灵敏度（ppm级）。但数据分析面临三大挑战：

1. 1.

   质谱解析：质谱峰的手动标定（ranging）引入人为误差；

2. 2.

   三维重构：投影模型依赖假设，误差会累积；

3. 3.

   特征提取：纳米级析出相或化学短程有序（CSRO）的识别受限于各向异性分辨率。

机器学习算法工具箱

针对APT数据特性，ML主要采用两类方法：

• •

  监督学习：如决策树（DT）用于质谱峰自动分类，卷积神经网络（CNN）识别晶体学极点和CSRO；

• •

  自监督学习：如高斯混合模型（GMM）聚类析出相，自编码器降维挖掘隐藏模式。3D点云算法（如AtomNet）可直接处理原子坐标，避免体素化信息损失。

ML驱动的APT应用突破

1. 1.

   质谱分析智能化

   • •

     贝叶斯方法量化峰重叠不确定性，ML-ToF通过决策树实现元素/分子峰自动识别（图5），将峰标定误差降低50%。

2. 2.

   晶体学信息挖掘

   • •

     传统Hough变换仅适用于清晰晶带线，而ML-APX通过深度学习直接解析探测器命中图中的极点空间关系，准确率提升至92%（图6）。

3. 3.

   化学有序分析

   • •

     ML-APT利用模拟的空间分布图（SDM）训练CNN，成功解析Fe-Al合金中1 nm尺度的B2型CSRO（图7），突破传统径向分布函数的尺寸限制。

4. 4.

   微观结构自动分割

   • •

     基于成分对比的GMM聚类（图8）可识别Sm-Co合金中复杂几何的析出相，结合U-Net简化板状结构，实现磁畴取向的定量统计。

数据标准化与未来方向

当前ML工具多为独立脚本，与商业软件（如IVAS）的接口缺失制约了推广。未来需聚焦：

1. 1.

   数据矫正：扩散模型修正APT空间畸变，借鉴TEM超分辨重建思路；

2. 2.

   数字孪生：结合分子动力学（MD）模拟实时预测针尖演化；

3. 3.

   FAIR化实践：通过NeXus语义模型实现数据-工作流全链条标准化。

结语

ML正推动APT从经验驱动迈向智能分析时代，其价值不仅在于替代人工，更在于揭示人类难以察觉的材料机制——如高熵合金中L1₂型CSRO的发现。随着算法与实验的深度融合，APT将在多尺度材料设计中发挥更关键作用。