基于局部候选搜索与自洽校正的单壁碳纳米管纳米束电子衍射(n,m)指认方法

《Small Methods》：Accurate (n,m) Assignment of Single-Walled Carbon Nanotubes From Electron Diffraction Patterns Via Local Candidate Search and Self-Consistency Correction

　　

单壁碳纳米管（SWCNTs）的（n,m）手性决定其性质和生长行为；然而，由于依赖分析者的程序、手动测量误差以及纳米管相对入射电子束的倾斜，从纳米束电子衍射（NBED）可靠指认（n,m）仍具挑战。本文通过将无校准衍射分析框架扩展为局部候选搜索和基于自洽的交叉校正，开发了一种实用且可解释的手性指认协议。利用ImageJ脚本和Excel VBA宏对特征提取和候选筛选进行半自动化，以提高效率和可重复性。使用2394张模拟NBED图像（涵盖直径0.48–2.3 nm、手性角0°–30°、倾斜角0.5°–16.5°）对该协议进行了评估。精确指认准确率从传统TRUNC分析的71.6%提高到所提协议的97.7%，同时平均直径、平均手性角和金属性SWCNT分数误差显著减小。这一改进主要由新引入的重叠比率（overlap ratio）实现，其作为最终候选排序的主要判据。该具有容错性的工作流程为从实验上不完美的衍射图中提取可靠结构信息提供了可复现的途径，无需仪器校准或数据驱动模型训练。

单壁碳纳米管（SWCNTs）的（n,m）手性指数精确决定其电学性质和生长行为。近年来，手性选择性合成已取得显著进展，但可靠的手性指认仍是关键挑战。纳米束电子衍射（NBED）能直接提供单根管的原子结构信息，但传统分析依赖操作者手动选取层线、测量距离并确定整数解，手动测量误差和管轴相对入射电子束的倾斜会导致邻近手性混淆，尤其对于大直径或小手性角的管，邻近手性的衍射特征高度相似，精确指认十分困难。AI方法虽可实现高通量，但存在可审计性和分布外稳定性问题。因此，有必要发展高精度、基于物理的、可复现的手性指认协议。

研究人员在前期无校准NBED分析框架基础上，开发了结合局部候选搜索与自洽交叉校正的（n,m）指认协议。该协议显式考虑手动测量误差和管倾斜，通过不确定性窗口枚举候选手性，并以重叠比率（overlap ratio）为主要排序判据。在2394张模拟NBED图像上，指认准确率从传统TRUNC截断法的71.6%提升至97.7%，平均直径、平均手性角和金属管分数误差显著降低；在568张实验NBED图像上与AI预测的精确一致率从58.1%提升至86.6%。该工作为从实验不完美衍射图提取可靠结构信息提供了无需仪器校准、无需数据驱动模型训练的可复现路径，对支撑手性选择性合成优化具有重要意义。

主要关键技术方法包括：①测量参数提取：在预处理后的衍射图中手动测量赤道线伪周期点间距δ′以及L2、L3层线间距d′₂、d′₃，采用ImageJ脚本实现半自动图像预处理和特征初选；②局部候选生成：由δ′、d′₂、d′₃及其假定误差范围（Δδ=±0.0150δ′，Δd₂=±0.0075d′₂，Δd₃=±0.0075d′₃）和许可倾斜范围（cosτ∈[0.94,1.02]）枚举所有整数（n_cand,m_cand）对，满足0≤m≤n；③自洽交叉校正：由两个独立路径计算cosτ₂和cosτ₃，先以|cosτ₃?cosτ₂|阈值筛选，再计算各候选的重叠比率（式4），按重叠比率排序并附加平局规则；④验证数据集：使用公开Zenodo模拟衍射数据子集（266种手性，2394张图像，直径0.48–2.3 nm，手性角0°–30°，倾斜0.5°–16.5°），并复用此前报道的568张实验NBED图像与AI预测比较。所有计算通过Excel VBA宏实现。

研究结果：

3.1 基于模拟衍射图像的手性指认准确率评估
在2394张模拟图上，无交叉校正时准确率为71.6%，有校正时提升至97.7%，且n和m偏差均在±1以内。数据集级结构参数误差：无校正时平均直径误差为?1.33%、平均手性角为?2.12%、金属管分数为?2.75%；有校正后分别降至?0.03%、+0.02%、±0.00%。单独使用重叠比率排序准确率达96.7%，单独使用倾斜一致性仅47.1%。随直径增大（约大于1.4 nm）或手性角减小（趋近锯齿型），平均分配误差增大。

3.2 实验NBED图像与AI预测的比较
使用568张高置信度（AI置信度≥0.85）实验NBED图像，以AI预测为临时参考标签。无校正时与AI精确一致率为58.1%、近邻一致率为99.1%；有校正后分别提高到86.6%和99.5%。数据集级平均直径、平均手性角差异均在1%以内，金属管分数差异约2.1个百分点。

讨论部分指出，局部候选搜索之所以有效，是因为传统截断法所得结果通常已落在真实手性附近，关键是对邻近候选进行稳健判别。重叠比率和倾斜一致性作用不同：倾斜一致性仅比较两个点估计值的接近程度，不能保证物理可行性；重叠比率则通过区间交集宽度综合了测量不确定性和许可倾斜范围，因此是最终排序的主要判据。AI与手动指认在实验图上的分歧可能源于大倾斜角超出训练/预设范围，导致可靠性下降。剩余误分类集中在大直径、低手性角区域，这与衍射几何中邻近手性特征差异变小一致，未来可通过拟合赤道线贝塞尔函数强度分布或引入深度学习特征提取进一步改善。与现有方法相比，本方法兼具无需绝对倒空间标定、支持倾斜管、计算效率高、可解释性强和手动工作量低等优点，并在大规模标注数据集上验证。

结论翻译：本研究开发了一种SWCNT纳米束电子衍射（NBED）手性指认协议，将手动测量误差和管倾斜条件下的局部候选搜索与基于交叉校正的候选过滤和排序相结合。在2394张模拟衍射图上的验证表明，指认准确率从传统基于截断函数整数化的71.6%提升至所提协议的97.7%。该方法还减小了数据集级结构统计量（包括平均管径、平均手性角、金属管分数）的偏差。此外，半自动特征提取和候选筛选提高了实际可用性，缩短了分析时间，增强了可重复性，并降低了操作者依赖性。对单一校正成分的分析表明，所引入的重叠比率在最终候选排序中起核心作用，而倾斜参数一致性则作为验证候选物理合理性的补充指标。校正后的残余误分类主要出现在大直径、小手性角的单壁碳纳米管中，这些区域相邻手性因衍射几何可分离性降低而天然难以区分。总体上，本研究为SWCNT电子衍射分析提供了一个基于物理、准确、可复现且实用的（n,m）指认协议，并为未来与赤道线强度信息、自动特征提取及AI/机器学习方法集成的高通量手性分析奠定了基础。