Redian新闻
>
Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理

Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

扫描透射电子显微镜(STEM)中原子结构的直接可视化,可以全面理解结构-性质关系。因为结构转变通常发生在原子位置的几皮米(10-12米)偏移处,所以原子位置的精确获取在 STEM 图像的定量分析中具有重要意义。现有技术在皮米尺度上对结构转变进行可靠表征还存在一些问题,比如有的原子位置获取精度不够,而有的计算成本过高。因此迫切需要一种低成本高精度的策略,实现亚像素精度的结构分析。


来自韩国延世大学生物医学工程系的Sejung Yang教授团队提出一种基于原子尺度 STEM 图像优化的图像增强和检测算法的原子结构精确分析策略,开发了 PRESTem程序,对来自背景的原子信号进行初级分割,然后进行去噪处理,可用于在亚像素级别分析 STEM 图像的原子位置。作者运用Anscombe 变换和 BM3D组合去除泊松噪声、形态滤波和直方图拉伸来增强轻元素的微弱信号进行图像增强,使峰值信噪比从7 dB增加到11 dB。他们使用K-均值聚类方法将原子信号与背景准确分离,每个原子柱的质心被提取并通过用户输入的周期性进行分类,平均误差小于 0.7 像素。他们评估了使用 RESTem 程序获得的原子位置的准确性,并与现有的以 2D 二次拟合、MEF 优化和 2D 高斯拟合为代表的程序进行了比较,发现通过 K-均值聚类的二进制分割过程,PRESTem 中通常被低估的质心方法表现出小于 1 个像素的误差,这与 2D 高斯拟合的误差相当,且没有高计算成本和偏差误差。此外,他们给出了钙钛矿氧化物的结构分析。该研究可以缩小图像采集和图像分析两个过程之间的差距,有助于深入理解晶体结构中的局部结构动力学,为材料系统的统计分析提供可能。


该文近期发表于npj Computational Materials 8:196(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。




Materials property mapping from atomic scale imaging via machine learning based sub-pixel processing


Junghun Han, Kyoung-June Go, Jinhyuk Jang, Sejung Yang & Si-Young Choi 


Direct visualization of the atomic structure in scanning transmission electron microscopy has led to a comprehensive understanding of the structure-property relationship. However, a reliable characterization of the structural transition on a picometric scale is still challenging because of the limited spatial resolution and noise. Here, we demonstrate that the primary segmentation of atomic signals from background, succeeded by a denoising process, enables structural analysis in a sub-pixel accuracy. Poisson noise is eliminated using the block matching and three-dimensional filtering with Anscombe transformation, and remnant noise is removed via morphological filtering, which results in an increase of peak signal-to-noise ratio from 7 to 11 dB. Extracting the centroids of atomic columns segmented via K-means clustering, an unsupervised method for robust thresholding, achieves an average error of less than 0.7 pixel, which corresponds to 4.6 pm. This study will contribute to a profound understanding of the local structural dynamics in crystal structures.



扩展阅读

 
Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习
Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释
Npj Comput. Mater.: 沸石—大规模精确模拟
Npj Comput. Mater.: 局部原子邻域描述符—无损压缩
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFTNpj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?[电脑] [第八届机王争霸赛]专业MOD组——X-Computer by JETH-DESIGNNpj Comput. Mater.: DFT中的电子密度—等变图神经网络Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?[录取捷报]墨尔本大学,Computer Science专业录取啦!美国哥伦比亚学院计算机科学副学士专业(Computer Science AAS)简介Npj Comput. Mater.: 沸石—大规模精确模拟Npj Comput. Mater.: 自由电子金属—原来可以这样做电子关联![录取捷报]爱丁堡大学,Computer Science专业录取啦!老鬼 | 哥哥青柯龙泉寺的一段往事Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型绝美挪威荷兰夏日之旅(一)哈当厄尔高原-沃尔令斯大瀑布一文详解Prompt学习和微调(Prompt Learning & Prompt Tuning)CubeFS在大数据和机器学习的探索和实践丨ArchSummit峰会实录Npj Comput. Mater.: 原子间势—准确性和可迁移性元宇宙风口已过?业内专家:借着机器学习的“东风”,元宇宙之火将越烧越旺Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习2030年加拿大减排目标与预测Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型Npj Comput. Mater.: 轨道耦合—调控谷能带和激子劈裂Npj Comput. Mater.: 表面合金化学吸附—d带中心模型能否适用?ICLR 2023 | 负责任的人工智能,守护机器学习的进阶思考Npj Comput. Mater.: 局部原子邻域描述符—无损压缩Npj Comput. Mater.: 搭乘“特快列车”的异相催化原子模拟学完书本科学知识需上劳动大学Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习Npj Comput. Mater.: 聚簇描述—机器学习法实现外推以前所未有的原子数量进行量子力学模拟,机器学习发现新的高压固体氢Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。