Argonne的Charudatta Phatak从洛伦兹透射电子显微镜上观看放大图像。法塔克的团队正在利用人工智能来提高显微镜的灵敏度和准确性。功劳:阿尔贡国家实验室电子显微镜的分辨率是光学显微镜的1000倍，在材料成像和详细描述材料特性方面表现得异常出色。但是像所有技术一样，它们也有一些局限性。为了克服这些限制，科学家们传统上专注于升级硬件，这是昂贵的。但是美国能源部阿贡国家实验室的研究人员表明，先进的软件开发可以进一步提高他们的性能。
阿贡研究人员最近发现了一种以独特方式使用人工智能框架来提高电子显微镜分辨率和灵敏度的方法。他们的方法发表在npj Computational Materials上，使科学家能够获得关于材料和显微镜本身的更详细的信息，这可以进一步扩大其用途。
“我们的方法有助于提高现有仪器的分辨率，这样人们就不需要经常升级到新的昂贵的硬件，”阿贡助理科学家和主要作者周涛说。
当今电子显微镜面临的挑战
电子在运动时就像波一样，电子显微镜利用这些知识来创造图像。当一种材料暴露在电子束下时，就会形成图像。通过粗糙，这些波与物质相互作用，这种相互作用被探测器捕获和测量。这些测量用于构建放大图像。
除了产生放大的图像，电子显微镜还能捕捉材料属性的信息，如磁化强度和静电势，静电势是使电荷逆着电场移动所需的能量。这些信息存储在一种称为相位的电子波特性中。p相描述一个波周期内某一点的位置或时间，如波达到峰值的点。
当进行测量时，关于相位的信息似乎丢失了。因此，科学家无法从他们获得的图像中获取磁化强度或静电势的信息。
“了解这些特性对于控制和设计电池、电子和其他设备材料的预期性能至关重要。这就是为什么检索相位信息很重要，”阿尔贡材料科学家和该论文的合著者、研究小组组长查鲁达塔·法塔克说。
使用人工智能框架检索阶段信息
检索相位信息是一个存在了几十年的问题。它起源于x光成像，现在被其他领域共享，包括电子显微镜。为了解决这个问题，费塔克、周和阿贡计算科学家兼团队负责人Mathew Cherukara提出利用工具来训练深度神经网络，这是人工智能的一种形式。
神经网络本质上是一系列模拟人脑和神经系统的算法。当给定一系列输入和输出时，这些算法试图找出两者之间的关系。但是要准确做到这一点，必须训练神经网络。这就是训练算法发挥作用的地方。
“像谷歌和脸书这样的科技公司已经开发了用于训练神经网络的软件包。我们本质上所做的是把这些应用到相位检索的科学挑战中，”切鲁卡拉说。
利用这些训练算法，研究小组展示了一种恢复相位信息的方法。但是，他们的方法的独特之处在于，它还使科学家能够检索关于他们的电子显微镜的基本信息。
“通常情况下，当您试图恢复相位时，您会认为自己非常了解显微镜参数。然而，这些知识可能并不准确，”周指出。“用我们的方法，你不必依赖这个假设。相反，你实际上获得了显微镜的条件——这是其他相位检索方法做不到的。”
他们的方法还提高了现有设备的分辨率和灵敏度。这意味着研究人员将能够恢复相位的微小变化，进而获得磁化和静电势的微小变化信息，而不需要昂贵的硬件升级。
“仅仅通过软件升级，我们就能够提高显微镜的空间分辨率、精确度和灵敏度，”周说。“从实验主义者的角度来看，我们不需要添加任何新设备来利用这些优势，这是一个巨大的优势。”
这篇论文的标题是“微分编程使洛仑兹透射电子显微镜功能成像成为可能”，发表于9月6日。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
