低剂量原子电子断层扫描的物理感知神经网络方法

《npj Computational Materials》：Physics-aware neural networks enable robust and full atomic structure determination via low-dose atomic electron tomography

　　

摘要

原子电子断层扫描（AET）通过分析一系列在不同倾角下拍摄的扫描透射电子显微镜（STEM）图像，来确定单个原子的三维（3D）坐标和化学身份。然而，在剂量受限条件下，特别是在电子剂量低于常规束稳健无机纳米颗粒标准AET所用剂量时，降低的信噪比迫使在准确性、鲁棒性和处理效率之间进行权衡。在此，我们介绍了一种物理感知、两阶段的神经网络（PANN），该网络在整个工作流程中融入了物理约束，以在低剂量成像下实现精确的AET。首先，全局-局部3D ResUNet精化初始重建，并校正体积中的几何畸变。其次，使用三维Zernike矩对每个已识别原子周围的局部密度进行编码。然后，这些特征描述符连同原子坐标一起由图注意力Transformer处理，以分类元素种类。我们使用包含42,588个体积的模拟数据集对PANN工作流程进行基准测试，涵盖了多种噪声模型、材料形态和剂量设置。相对于束稳健无机纳米颗粒的传统AET，在降低剂量的条件下，PANN显著提高了性能，减少了原子坐标误差，并提高了原子恢复率。该框架在回溯性降低剂量的金属纳米颗粒实验AET数据上的表现表明，在此类材料中具有很强的后处理能力。结合基于多切片模拟在选定的无机晶体剂量敏感系统（包括卤化物钙钛矿、沸石和量子点）上的演示，这些结果表明了一条将PANN扩展到剂量敏感材料的途径。