基于随机库探索与自动化扫描透射电子显微镜的加速材料发现

《Digital Discovery》:Accelerated materials discovery through random-library exploration by automated scanning transmission electron microscopyOpen Access

【字体: 大 中 小 】 时间:2026年09月16日 来源:Digital Discovery 7.1

编辑推荐:

   材料预测算法在实际中的实现仍受到材料发现领域持续存在的表征瓶颈限制,其中基于光子的探测技术(如X射线衍射,XRD或拉曼光谱)导致较长的采集时间和访问延迟,将探索限制在通常以成分库形式实现的准三元成分空间中。在此,研究人员开发了一种框架,使基于电子的表征能够

  


材料预测算法在实际中的实现仍受到材料发现领域持续存在的表征瓶颈限制,其中基于光子的探测技术(如X射线衍射,XRD或拉曼光谱)导致较长的采集时间和访问延迟,将探索限制在通常以成分库形式实现的准三元成分空间中。在此,研究人员开发了一种框架,使基于电子的表征能够与现代高通量合成重新对齐。研究人员为基于扫描透射电子显微镜(Scanning Transmission Electron Microscopy, STEM)的化学和结构表征制定了成本函数和探索策略,并使用蒙特卡洛模拟表明,随机化学库——其中成分不同的区域共置于单个样品中并通过电子光谱学原位探测——能够以比传统扩展库/X射线方法高出数量级的有效覆盖率采样高维成分和相空间。研究人员进一步在实验室STEM平台上实验验证了关键使能步骤,包括机器学习(Machine Learning, ML)辅助的粒子识别和基于能量色散X射线光谱(Energy-Dispersive X-ray Spectroscopy, EDX)的快速成分分配。最后,研究人员概述了向标记或位置编码库的扩展,这些库保留了成分和加工元数据,从而实现成分和加工空间的联合探索。总之,这些结果确立了基于电子、机器学习支持的STEM作为通向组合丰富材料发现的可扩展路径。
**论文解读文章**

### 一、研究背景与问题

尽管计算材料预测在过去十年取得显著进展,但真实材料的性能往往由缺陷、微观结构和制造历史决定,最终仍需实验验证。当前高通量合成技术已逐步普及,然而表征环节成为主要瓶颈:传统光子探针(如X射线衍射XRD、拉曼光谱)单谱采集需10–30分钟,且同步辐射等先进光源存在访问延迟,使得实验探索被限制在准三元成分空间内。这种“合成快、表征慢”的不平衡严重制约了材料发现效率。因此,亟需将表征从光子转向电子,利用扫描透射电子显微镜(STEM)的高信息密度,并与机器学习(ML)结合,实现自动化、高通量的表征流程。

### 二、研究内容与意义

研究人员提出一种基于STEM的随机库(random library)探索框架,将多种化学成分、相或加工条件的颗粒混合在同一异质样品中,依靠STEM的化学敏感性(EDS/EELS)原位识别各区域成分,从而在单个视场内并行探测大量材料。通过蒙特卡洛模拟验证了该策略在高维成分空间中的扩展能力,并在实验上证明了关键前端步骤的可行性。该框架有望将表征能力提升至与高通量合成相匹配的水平,推动闭环材料发现。

### 三、主要技术方法

研究人员采用混合建模与实验验证相结合的策略。首先,建立随机粒子库的几何模型,假设粒子不重叠、服从高斯尺寸分布,并在50%面覆盖率下估算可表示的成分维度。其次,设计成本函数量化束移、载物台运动、光谱采集等操作的时间开销,并构建成本感知的贝叶斯优化(Bayesian Optimization, BO)流程,结合局部剩余机会(ROV)和预期切换增益(Egain)实现区域切换决策。实验方面,使用非均质纳米颗粒集合(包含CdSe/CdS量子点、CdSe纳米片、CdS纳米棒及InP基纳米颗粒)作为模型随机库,采用HAADF-STEM成像和EDX光谱进行粒子识别与成分分类,其中粒子分割基于Segment Anything Model(SAM)的基线实现,计算后端集成AtomGPTLab生态系统用于快速相分析。

### 四、研究结果

#### 1. STEM for random library exploration(STEM用于随机库探索)

通过理论估算,在2×2 mm2的TEM网格上,若粒子平均半径约为500 nm、150 nm、50 nm,则分别可表示6维、7维、8维成分空间。这表明随机库样品可探索的成分空间至少比传统扩展库高三个维度。

#### 2. Realistic optimization workflow for random libraries(随机库的现实优化流程)

提出了一个完整的自主探索工作流:先通过低倍扫描定位粒子,再以EDX映射获取成分,然后利用成本感知BO选择粒子进行EELS或衍射等定点测量。成本函数区分束移(~10–30 ms)与载物台运动(与距离成正比),并通过ROV和Egain指标决定何时切换视场。

- **Cost function design(成本函数设计)**:定义了包含固定延迟和运动时间的代价函数,反映不同操作的真实实验开销。
- **Cost-aware spatial region switching(成本感知的区域切换)**:建立了统计模型,将新区域内粒子数和成分分布视为泊松过程和先验分布,计算切换的期望收益并与本地继续测量的价值比较。
- **Simulations(模拟)**:在Au–Co–Ni三维成分空间及四维、五维模型合金中进行蒙特卡洛模拟。结果显示,平均预测不确定性和绝对误差随迭代单调下降,各视场内已测粒子比例逐渐饱和(三维时约50–60%),且高维情况下该比例持续下降,表明框架可扩展至更高维度。
- **Perspective(展望)**:指出初始混合物成分与实际形成相的关系复杂,可通过编码粒子保留加工历史,并强调蒙特卡洛参数可由实验数据校准,形成闭环。

#### 3. Experimental feasibility(实验可行性)

- **Model system(模型系统)**:在65×65 nm2视场内,SAM分割模型识别出115个粒子,对应密度约2.7×10?颗粒/μm2,即便考虑部分重叠或模糊颗粒被过滤,实验粒子数仍足以支撑≥6维成分空间探索。快速EDX光谱(2 s/粒子,200 pA束流)对39个粒子进行分类,仅1个粒子归属错误,证明快速成分分配可行。
- **Computational infrastructure for rapid phase analysis(快速相分析的计算基础设施)**:演示了AtomGPT辅助查询:输入EDS确定的化学式可获得候选晶体结构、空间群及带隙信息;还可生成模拟X射线衍射图谱,为自动化实验提供即时物理背景。

### 五、讨论

研究人员强调,随机库中名义成分与实际形成的相可能因动力学、偏析和亚稳性而偏离,但这一模糊性同样存在于传统组合方法中。未来可通过位置编码或化学标记保留加工历史,将方法扩展至加工空间。此外,蒙特卡洛模型中的简化参数可视为从实验学习的契机,通过与随机库测量数据对比,系统推断并优化随机模型参数。最终,ML赋能的STEM能够以原子尺度信息驱动下一轮实验,使合成与表征成为闭环发现中的平等伙伴。

### 六、结论

机器学习的赋能使得快速电子显微表征终于能与现代高通量合成处于同等地位。基于STEM的随机库策略可在单一样品内探测大量成分和微观结构,将有效采样率较传统X射线方法提高数个数量级。当合成平台与STEM工作流耦合时,材料发现将不再受制于测量瓶颈,而取决于研究者定义目标和奖励的创造力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号