面向20 kV均匀多元素块体样品的MC X-ray与人工神经网络耦合定量分析框架

《Journal of Microscopy》：A neural network-based Monte Carlo X-ray (MC X-ray) approach for quantitative analysis of homogeneous multi-element bulk samples at 20 kV

　　

均匀块体样品的准确定量分析对材料科学和矿物工业应用至关重要，然而基于标样的传统能量色散谱（EDS）定量分析仍可靠且广泛使用。然而，对于某些实验室或样品类型，获取、维护或匹配合适物理标样可能不便或不切实际。在本研究中，研究人员引入一个动态框架，用于在扫描电子显微镜（SEM）中于20 kV加速电压下研究的均匀多元素块体样品的元素定量，该框架将蒙特卡洛X射线（MC X-ray）这一蒙特卡洛模拟程序与人工神经网络（ANNs）相结合。在相同20 kV测量条件下，使用MC X-ray生成合成谱及相应质量分数对，并训练多层感知机（MLP）将谱特征映射到元素质量分数。对11个认证标准样品的验证得到质量分数均方根误差（RMSE）为0.0056至0.0179，决定系数（R²）为0.9873至0.9981，即使在存在重叠峰的情况下也是如此。对于认证质量分数至少为0.05的元素，平均绝对百分比误差为4.41%。该模型针对特定样品和测量条件定制，可在消费级硬件上于15 min内完成定量分析。通过减少对物理标样和校准程序的依赖，该方法为在均匀块体材料分析中难以获得合适实测标样或存储标样库时，提供了一种互补的基于模拟的定量微分析方法。

论文解读：在材料科学与矿物工业中，块体样品的准确元素定量具有重要意义。传统基于标样的EDS定量依赖Castaing法及ZAF（原子序数-吸收-荧光）校正，通常要求样品平坦、均匀，并在相同电子束能量、出射角、采集时间等条件下测量样品与标样的特征X射线强度；标准样品的获取、维护或匹配会增加时间和成本。MC X-ray（蒙特卡洛X射线模拟程序）可模拟电子-固体相互作用并输出X射线谱，适合批量生成训练数据；人工神经网络（ANNs，受生物神经系统启发的机器学习模型）尤其是多层感知机（MLP，适用于一维谱信号回归的前馈网络）可学习复杂非线性映射。研究人员因此将MC X-ray与ANNs整合，面向20 kV下均匀多元素块体样品建立基于模拟的定量框架，以在缺少合适物理标样或存储标样库时提供补充方法。其意义在于减少标样和校准依赖，在消费级硬件上约15 min内完成分析，并可嵌入EDS系统。

关键技术方法（不超过250字）：研究人员用MC X-ray在20 kV按随机组成生成合成EDS全谱及对应质量分数标签，谱需归一化；以MLP回归全谱至选定元素质量分数，数据按60%/20%/20%划分训练、验证和测试，验证集调参并以早停抑制过拟合；用11个认证标准矿物样品验证，参考质量分数由Geller Microanalytical Laboratory以波长色散谱（WDS，高光谱分辨率定量技术）和ZAF法提供，实验谱由Hitachi SU8000 SEM配Oxford Instruments X-Max 80 mm²硅漂移探测器（SDD）采集，每样10个邻近点评估重复性；以RMSE和R²评价，并比较采集时间。

研究结果：3 结果：将11个标准样品实验谱输入训练网络，主要元素预测与WDS参考吻合，RMSE为0.0056–0.0179，R²为0.9873–0.9981；质量分数≥0.05元素平均绝对百分比误差为4.41%；最小相对误差为0.01%（Benitoite中Ba），主要元素最大误差为10.63%（Augite中Si）；痕量元素（质量分数<0.05）相对误差大；不同矿物和元素间未见系统趋势；存在重叠峰时仍可预测。4 讨论：4.1 模型优势：无需制备和采集标样及复杂校准，采集谱并完成定性后2–15 min内可定量；直接分析全谱，重叠峰可由网络学习区分，简化流程并增强稳健性。4.2 模型的独特性：模拟谱须归一化，显微镜和EDS参数应尽量匹配实验条件（加速电压、出射角、工作距离、探测器几何与半径）；MC X-ray计入探测器效率相关吸收，但不模拟0 keV附近strobe peak，低能道需预处理剔除；模型仅针对特定样品与条件，元素或条件改变须重训。4.3 为何不构建通用模型：通用模型需极大训练数据和算力；半通用模型固定输出约60元素，对GaAs会给出非零虚假质量分数并因总和为1扭曲结果；多元素训练需求按近似幂律增长，60元素达10⁵量级，个人电脑不可行；MC X-ray效率高，特定模型可行。4.3.1 数据需求大与计算成本高：单一模型约3000对，通用模型数据及CPU/GPU成本过高。4.3.2 预测误差增加：半通用模型对GaAs给出非零虚假分数；特化GaAs模型显著改善（Ga相对误差2.79%，As为2.58%）。4.3.3 MC X-ray的高效率：需优化电子数和训练集大小，否则动态特定模型不实用。4.3.4 优化模型生成时间：Kyanite（3元素）500数据+50电子已RMSE=0.01、R²=0.99；Augite（10元素）需3000数据+100电子达RMSE=0.01、R²=0.99；100电子与1000/5000电子预测相当；默认3000数据+100电子，10元素数据集生成约15 min（AMD R7 CPU与RTX 3060 GPU笔记本）。4.4 方法的局限性：测试固定20 kV；3 kV和5 kV实验谱准确下降（RMSE=0.05/0.06，R²=0.81/0.75），20 kV和30 kV达RMSE=0.007/0.01、R²=0.99；痕量<0.05不可靠，均方误差（MSE）损失对痕量权重小，WDS参考分辨率更高；采集时间15/60/300 s预测相似，痕量问题非采集时间所致；验证样品以硅酸盐轻中元素为主，仅Benitoite含Ba；softmax（约束输出总和为1的激活函数）使模型无独立分析总量质量检查。4.5 应用：约15 min定量，RMSE=0.0056–0.0179，R²=0.9873–0.9981；适合矿物工业，可嵌入EDS实现采集时实时自动定量；未来可扩展至薄膜、基体包埋和多层结构等复杂几何。

5 结论（译文）：通过将MC X-ray模拟与神经网络建模相结合，研究人员开发了一个稳健且高效的定量分析框架。该方法可集成到EDS采集软件中，从而无需昂贵的标准样品和复杂校准程序。通过在模拟谱上训练样品特定的MLP模型，可在约15 min内获得多元素矿物的准确质量分数估计。该模型在多种矿物类型中表现出强性能，即使存在重叠谱峰也保持可靠。对于11个测试标准矿物，其获得较低的RMSE（0.0056–0.0179）和较高的R²（0.9873–0.9981）。除痕量元素外，各元素的平均相对误差为4.41%，表明在具有不同元素复杂度的矿物中具有较强预测能力。除高预测准确度外，该方法通过减少时间和财务成本并提供操作简便性而具有实际优势。它特别适合采矿业，其中传统基于实验室的定量分析既耗时又资源密集。此外，该框架可无缝集成到EDS探测系统中，使系统能够在从数据采集到最终结果约15 min内完成分析。在本研究中，选择MLP作为开发基于全谱定量框架的实用回归模型。该方法并未舍弃EDS分析的已知物理原理；相反，物理过程通过MC X-ray模拟纳入，该模拟基于电子散射、X射线产生、吸收、基体效应、探测器响应等生成谱。随后，神经网络用于学习基于物理的模拟谱与相应元素质量分数之间的关系。尽管也可使用蒙特卡洛模拟数据开发基于校准曲线的方法，但本研究的目标是直接使用整个模拟EDS谱作为输入特征。这种基于全谱的方法允许同时考虑特征峰、峰重叠、轫致辐射背景、基体效应和探测器响应信息，而无需手动提取单个峰强度或预先定义的分析校正项。由于全谱形状与元素质量分数之间的关系可能是非线性的，特别是对于具有重叠峰的多元素样品，因此使用MLP作为适合该任务的回归模型。本研究是评估该基于全谱的神经网络框架用于均匀块体矿物样品的首次尝试。未来工作将进一步研究其扩展到更复杂样品几何结构，包括薄膜、基体包埋材料和多层结构。这些进展可能拓宽所提出框架在采矿相关应用和科学研究中定量微分析的应用范围。