AR-HAXPES深度剖析中自监督DNN去噪的跨曝光迁移性与失效边界

《Surface and Interface Analysis》：Cross-Exposure Transferability and Failure Boundaries of Self-Supervised DNN Denoising for AR-HAXPES Depth Profiling

　　实验室光源的角分辨硬 X 射线光电子能谱（AR-HAXPES）在实现映射所要求的空间分辨率下存在光子饥饿问题，因为在每一个位置恢复干净深度剖面所需的帧平均操作会将总采集时间推入不可接受的区间。自监督深度神经网络（DNN）去噪提供了一种替代采集时间扩展的方案，近期的一项配套研究已系统性地将其性能与其他策略进行了基准比较；然而，其在不同曝光条件下的运行包线、跨曝光条件下的可迁移性，以及在光子饥饿区域中的失效模式仍未得到刻画。在此，我们在一个 C/Al?O?/TiO?/Si 多层结构模型上，针对跨越 25 倍单帧光子通量范围、共三种曝光条件，评估自监督去噪在最小可行目标窗口下的表现。我们发现，跨曝光去噪器部署与一条经验方向性法则相符——训练信号噪声比（S/N）≥推理 S/N——并刻画了光子饥饿区域中的失效边界，在该区域上游去噪器崩溃会传导为约束饱和的反演解；同时定位了所有受测去噪策略（帧平均、Self-DNN、Cross-DNN）相对于由参考数据可重复性所设定的方法论下界而言的渐近可达范围。在该法则的成功区域内，跨曝光迁移在最光子饥饿的 4.8 秒/帧条件下，使深度均方根误差（RMSE）轴上的等效采集时间减少最多达 48 倍（在 Wasserstein-1 界面定位轴上减少 14 倍）。这些结果将自监督 AR-HAXPES 去噪界定为一种可刻画的工程操作，具有可量化的失效边界与恢复路径，而非一种经验性的后处理配方。**利益冲突**作者声明不存在利益冲突。**数据可用性声明**本工作中支撑各图的数据——重构深度剖面、逐像素膜厚与相对 RMSE 图、伪真实值剖面以及种子敏感性运行结果——连同用于生成图表的代码，以及本文所评估去噪前端的独立、经过测试的实现（含分箱池化重采样、自监督 DNN 去噪器，以及深度剖面评估指标：深度 RMSE、Δthk 与 W₁）已在 Zenodo 上公开获取 [27]，链接为 https://doi.org/10.5281/zenodo.22092108。代码依据 MIT 许可证发布，数据依据 CC BY 4.0 授权。L₁ 正则化深度剖面反演求解器、已训练的网络权重，以及原始单帧 HAXPES 测量数据（约 60 GB）未予存档；可在提出合理请求后向通讯作者获取，且这些权重可直接无修改加载到所发布的实现中。在所存档的脚本中，非偶极子稳健性检验（图 S11）可直接原样针对已公开存档的 toyomacro 分析工具包 [29] 运行。