Die Analytische Effizienz Wurde Um Mehr Als Das 200-fache Verbessert! Das Argonne National Laboratory Schlägt Eine Nanostrahl-Diffraktionsanalysemethode Vor, Die Auf Unüberwachtem Training Basiert Und Es DONUT Ermöglicht, Materialeigenschaften Präzise Zu extrahieren.

Die Verbesserung der Materialeigenschaften hängt im Wesentlichen von einem genauen Verständnis der inneren Struktur des Materials ab.

Die Raster-Röntgenbeugungsmikroskopie (SXDM) ist eine fortschrittliche Charakterisierungstechnik, die den Beugungskontrast nutzt, um Informationen zur Materialstruktur räumlich aufzulösen. Sie hat sich in den letzten Jahren zu einem wichtigen Werkzeug für die Untersuchung von Nanostrukturen entwickelt. Eine zentrale Herausforderung bei der SXDM-Datenanalyse liegt jedoch in der komplexen Wechselwirkung zwischen Strahlform und lokaler Gitterinformation. Traditionelle Methoden trennen diese gekoppelten Strukturparameter typischerweise durch Anpassung der Messdaten an simulierte Daten.Dieses Verfahren ist jedoch rechenaufwändig und stark von den Datenvorverarbeitungsschritten abhängig.

Inzwischen hält die Technologie der künstlichen Intelligenz zunehmend Einzug in die Röntgenwissenschaft – überwachte Lernmodelle haben bereits in Bereichen wie der Bragg-Kohärenz-Beugung (BCDI), der Röntgen-Ptychographie und der Elektronenmikroskopie signifikante Vorteile bei der Datenverarbeitung gezeigt. Allerdings weist das überwachte Lernen eine grundlegende Einschränkung auf:Es erfordert eine große Menge an qualitativ hochwertigen, gekennzeichneten Trainingsdaten, aber das ist keine leichte Aufgabe.Einerseits erfordert die Generierung simulierter Daten fundierte Fachkenntnisse; andererseits ist die manuelle Analyse experimenteller Daten oft zeit- und rechenintensiv. Zudem können Unterschiede zwischen simulierten Daten und realen experimentellen Umgebungen bestehen, was die Generalisierungsfähigkeit des Modells einschränkt.

In diesem ZusammenhangEin Forschungsteam des Argonne National Laboratory des US-Energieministeriums hat DONUT (Diffraction with Optics for Nanobeam by Unsupervised Training) vorgeschlagen, eine Nanostrahl-Beugungsanalysemethode, die auf unüberwachtem Training basiert.Dies ist ein physikalisch intelligentes neuronales Netzwerk zur schnellen, automatisierten Analyse von Nanostrahl-Beugungsdaten. Das Verfahren überwindet die grundlegenden Einschränkungen von überwachten maschinellen Lernverfahren in der Röntgenwissenschaft, indem es den Bedarf an annotierten Datensätzen oder vortrainierten Modellen eliminiert. Experimentelle Ergebnisse zeigen, dass DONUT alle Merkmale präzise aus den Daten extrahiert und eine mehr als 200-fach höhere Analyseeffizienz als herkömmliche Anpassungsmethoden erzielt.

Die zugehörigen Forschungsergebnisse mit dem Titel „DONUT: physics-aware machine learning for real-time X-ray nanodiffraction analysis“ wurden in npj Computational Materials veröffentlicht.

Forschungshighlights:

Durch die direkte Einbettung eines differenzierbaren geometrischen Beugungsmodells in die Netzwerkarchitektur ist DONUT in der Lage, Informationen über die Gitterverzerrung und -orientierung in Echtzeit zu lernen und vorherzusagen.

* DONUT kann vollständig mit experimentellen Daten trainiert werden und ist in seiner Analysegeschwindigkeit mehr als 200-mal schneller als herkömmliche Methoden. Es trennt außerdem die Strukturparameter von Faltungen mit höherer Genauigkeit.

Das neue Rahmenwerk bietet einen flexiblen und robusten technischen Ansatz für die automatisierte Echtzeitanalyse von SXDM-Daten und soll die Erforschung und Untersuchung komplexer Materialsysteme unter dynamischen Bedingungen beschleunigen.

Papieradresse:
https://www.nature.com/articles/s41524-025-01860-7

Dies verändert die traditionelle Methode zum Trainieren von KI-Modellen, die auf manuell gekennzeichneten Daten basiert.

Eine der Kerninnovationen von DONUT besteht in der Veränderung der traditionellen KI-Modelltrainingsmethode, die auf manuell annotierten Daten basiert. Für komplexe Materialsysteme sind solche annotierten Daten jedoch sehr begrenzt. Daher verwendet DONUT einen physikalisch eingeschränkten, unüberwachten Lernansatz, der es dem Modell ermöglicht, Materialstrukturinformationen direkt aus Beugungsdaten zu lernen.

Simulierte Daten

In der Studie erstellte das Forschungsteam zunächst einen simulierten Beugungsdatensatz, um die grundlegenden Fähigkeiten des DONUT-Modells zu validieren. Die Simulationsdaten umfassten drei wichtige Strukturparameter: Gitterverzerrung, Drehung in der Ebene und Drehung senkrecht zur Ebene.

Der Dehnungsparameter ε ist auf einen Bereich von -0,005 bis 0,005 festgelegt;

Der Gitterrotationswinkel ω in der Ebene liegt im Bereich von -0,05° bis 0,05°.

Der Drehwinkel χ des Gitters senkrecht zur Ebene liegt im Bereich von -0,1° bis 0,1°.

Die Forscher erzeugten 68.921 simulierte Beugungsbilder mit jeweils 64 × 64 Pixeln. Jedes simulierte Beugungsmuster wurde zunächst so skaliert, dass seine Intensitätsverteilung mit experimentellen Messungen übereinstimmte, und anschließend mithilfe einer Poisson-Verteilung abgetastet, um das Rauschen in realen Experimenten zu simulieren. Der experimentelle Datensatz bestand aus einem einzelnen Scan der Probe, der 165 × 165 Positionen abdeckte. Ein 128 × 128 Pixel großer Bereich (ROI) wurde auf dem Detektor ausgewählt und zur Verbesserung des Signal-Rausch-Verhältnisses auf 64 × 64 Pixel heruntergerechnet.

Experimentelle Daten

Zur Bewertung der Leistungsfähigkeit von DONUT im Vergleich zu den aktuell modernsten traditionellen Datenanalysemethoden wurden experimentelle Daten herangezogen.

Zunächst wird im Detektorbild ein Bereich von Interesse (ROI) ausgewählt, der die gemessenen Beugungspeaks vollständig abdeckt. Anschließend werden die Pixel innerhalb des ROI zusammengefasst, wobei jeweils ein 2×2-Pixel-Array zu einem einzelnen Pixelwert aggregiert wird, um das Signal-Rausch-Verhältnis zu verbessern. Mithilfe eines physikalisch basierten Vorwärtsstreumodells wird eine simulierte Beugungsbibliothek generiert, die den gesamten Gitterparameterraum abdeckt.

Jedes experimentell gemessene Beugungsmuster wird mit jedem simulierten Muster aus der Bibliothek simulierter Beugungsmuster multipliziert, um eine Reihe von Korrelationsmatrizen zu erzeugen. Anschließend werden die Korrelationsmatrizen entlang jeder Gitterparameterachse projiziert, und der höchste Korrelationswert für jeden Parameter wird durch gewichtete Summationsinterpolation des Massenschwerpunkts der Projektionsergebnisse ermittelt.

Der endgültige Datensatz (simulierte Daten, experimentelle Daten oder eine Kombination aus beidem) wurde zufällig aufgeteilt in: Trainingsdatensatz (80%), Validierungsdatensatz (10%) und Testdatensatz (10%).

Integration physikalischer Gesetze aus der Materialwissenschaft direkt in neuronale Netzwerkstrukturen

Die DONUT-Architektur basiert auf einem physikbasierten Autoencoder. Eine wesentliche Herausforderung für Autoencoder ist jedoch die Interpretierbarkeit des latenten Raums, da vollständig datengetriebene Einbettungsdarstellungen möglicherweise keine direkte physikalische Bedeutung besitzen. Um dieses Problem zu lösen,Forscher führen häufig physikalische Beschränkungen in die Netzwerkarchitektur oder Verlustfunktionen ein.Beispiele hierfür sind erzwungene Symmetrie, Erhaltungssätze oder domänenspezifisches Vorwissen. DONUT verwendet einen ähnlichen Ansatz, dessen Gesamtprozess im folgenden Diagramm dargestellt ist:

Das Netzwerk verwendet ein zweidimensionales Beugungsmuster als Eingabe. Dieses Bild wird zunächst von einem Convolutional Neural Network (CNN)-Encoder (siehe Abbildung b unten) verarbeitet und in einen niedrigdimensionalen latenten Raumvektor komprimiert. Dieser latente Vektor enthält drei Elemente, die die relevanten physikalischen Größen repräsentieren: Dehnung (ε, die relative Größe des Impulsübertragungsvektors Q), Rotation in der Ebene (ω, der relative Drehwinkel von Q in der horizontalen Streuebene) und Rotation senkrecht zur Ebene (χ, der relative Drehwinkel von Q senkrecht zur Streuebene). Diese drei unabhängigen physikalischen Größen beeinflussen die auf Basis des physikalischen Modells simulierte Intensitätsverteilung und beschränken den Encoder somit darauf, nur physikalisch sinnvolle Werte vorherzusagen.

Dann,Der latente Vektor wird gleichzeitig in zwei parallele Zweige eingespeist:

* Ein zur Encoderstruktur symmetrischer Decoderzweig, der dazu dient, eine entrauschte Version der Eingangsbeugungsintensität auf Basis des latenten Vektors zu rekonstruieren;

* Ein Vorwärtsmodellzweig, der auf einem physikalischen Modell basiert, das latente Parameter (ε, ω und χ) verwendet, um die Beugungsintensität zu simulieren.

Das Netzwerk wird trainiert, indem eine zusammengesetzte Verlustfunktion minimiert wird. Diese Verlustfunktion ist der gewichtete mittlere absolute Fehler (MAE) zwischen dem ursprünglichen Eingangsbild und den Ausgaben der beiden Zweige: dem Rekonstruktionsergebnis des Decoders und dem Simulationsergebnis basierend auf dem physikalischen Modell (letzteres enthält keine trainierbaren Parameter). Während des Trainings passt das Netzwerk iterativ die Gewichte des Autoencoders an, um das generierte Bild schrittweise an die experimentellen Eingangsdaten anzupassen. Diese bi-objektive Optimierungsstrategie gewährleistet, dass der Encoder im latenten Raum lernen und eine physikalisch genaue und robuste numerische Repräsentation der Zielstrukturparameter erzeugen kann.

Das vollständige DONUT-Modell hat drei Endausgänge:

* Geben Sie den latenten Raumtensor ein, der den Beugungsdaten entspricht und Informationen über Dehnung, Gitterrotation in der Ebene und Gitterrotation senkrecht zur Ebene enthält.

* Das vom Decoder aus dem Eingangsbild rekonstruierte Bild (d. h. das entrauschte Ergebnis des Eingangsbildes).

* Simulierte Beugungsmuster, generiert auf Basis physikalisch eingeschränkter Beugungsmodelle

Durch die Einbettung vollständiger, differenzierbarer physikalischer Prozesse in eine neuronale Netzwerkarchitektur zwingt DONUT latente Raumvariablen dazu, bestimmten physikalischen Größen zu entsprechen, wodurch sichergestellt wird, dass die Vorhersagen des Modells nicht nur recheneffizient, sondern auch wissenschaftlich interpretierbar sind.

Die Effizienz der DONUT-Analyse wird im Vergleich zu herkömmlichen Anpassungsmethoden deutlich verbessert.

Um die tatsächlichen Fähigkeiten von DONUT zu überprüfen, testete das Forschungsteam es sowohl an simulierten als auch an realen experimentellen Daten und verglich die Ergebnisse mit traditionellen Korrelationsanpassungsmethoden und zuvor entwickelten überwachten Deep-Learning-Modellen.

Leistung anhand simulierter Daten

Die folgende Abbildung zeigt einen Vergleich zwischen den DONUT-Vorhersageergebnissen und traditionellen Korrelationsanalysemethoden:

Abbildung b zeigt, dass herkömmliche Analysemethoden Dehnungseigenschaften und Gitterrotationseigenschaften in der Ebene nicht vollständig und systematisch unterscheiden können. Insbesondere ist die periodische Struktur der Dehnungseigenschaften im Diagramm der Gitterrotation in der Ebene (mittleres Bild) deutlich sichtbar und umgekehrt, was auf eine signifikante Wechselwirkung zwischen den beiden Arten von Strukturinformationen hinweist. Im Gegensatz dazu kann DONUT (Abbildung c) das Dehnungssignal und das Signal der Gitterrotation in der Ebene klar trennen und die Dehnungsamplitude präzise vorhersagen, während herkömmliche Analysemethoden den Dehnungswert überschätzen.

Leistung anhand experimenteller Daten

Anschließend evaluierten die Forscher DONUT anhand experimenteller SXDM-Daten von SrIrO₃-Dünnschichten und verglichen seine Leistung mit traditionellen Korrelationsanpassungsmethoden und einem zuvor entwickelten überwachten Deep-Learning-Modell.

Wie in Abbildung b dargestellt, stimmen die Vorhersageergebnisse von DONUT qualitativ mit den Ergebnissen der traditionellen Analyse (Abbildung a) überein, erzielen aber deutliche Verbesserungen. Der entscheidende Unterschied liegt darin, dass traditionelle Methoden unter offensichtlichen Artefakten durch gegenseitige Beeinflussung leiden – beispielsweise erscheinen Rotationsmerkmale fälschlicherweise in der Dehnungsverteilungskarte –, während DONUT verschiedene Parameter klar und unabhängig voneinander trennen kann.

DONUT zeichnet sich unterdessen durch eine höhere Genauigkeit aus: Es kann die feine Interferenzstruktur zwischen zwei großen rotierenden Domänen in der räumlichen Verteilungskarte des Beugungsschwerpunkts auflösen – etwas, das überwachte Verfahren nicht leisten können. Dieses Ergebnis zeigt, dass physikalisch beschränkte unüberwachte Verfahren nicht nur die Notwendigkeit von annotierten Daten eliminieren, sondern auch eine höhere Genauigkeit bei der Merkmalsextraktion erzielen.

Die Forscher erweiterten die analytischen Möglichkeiten von SXDM und fügten den bestehenden Parametern für Dehnung und Gitterrotation eine Dimension zur Vorhersage der Filmdicke hinzu. SXDM kann die Inhomogenität der kristallinen Filmdicke durch Änderungen der lokalen Gesamtintensität und periodische Variationen der Laue-Oszillationen (d. h. Änderungen der Position der Interferenzstreifen im Detektorkoordinatensystem) erfassen. Die Abbildung unten zeigt die Ergebnisse der Filmdickenvorhersage von DONUT für simulierte Proben (links) und experimentell gemessene Proben (rechts):

Im Gegensatz zu Analysen von Dehnung und Gitterrotation weichen die Ergebnisse der traditionellen Schichtdickenanalyse deutlich von denen neuronaler Netze ab (Abbildung a oben, rechte Seite), wobei jede Methode ihre Vorteile hat. Die Korrelationsanpassung zeigt eine sehr gleichmäßige Schichtdickenverteilung, was den Erwartungen an hochkristalline, mittels Molekularstrahlepitaxie hergestellte Schichten entspricht. Allerdings überschätzt diese Methode die Schichtdicke deutlich und sagt einen Wert von 136 Å voraus, während die tatsächliche Dicke nur 120 Å beträgt, was 30 Einheitszellen entspricht. Die Vorhersage der Schichtdicke durch DONUT ist hingegen mit einem Mittelwert von etwa 110 Å deutlich plausibler.

Obwohl bei der Vorhersage der Filmdicke noch eine gewisse Unsicherheit besteht, beweist dieses Ergebnis, dass das DONUT-Framework erweiterbar ist und durch Hinzufügen potenzieller räumlicher Parameter eine genauere Vorhersage der Materialstruktur ermöglicht.

Neben der verbesserten Genauigkeit liegt der größte Vorteil von DONUT in seiner Recheneffizienz. Tests der Forscher ergaben, dass herkömmliche Korrelationsanalysemethoden unter denselben Hardwarebedingungen (NVIDIA GeForce RTX 3090 GPU) 5,6 ± 0,4 ms für die Verarbeitung jedes einzelnen Datenbildes (64 × 64 Pixel, 32 Bit) benötigen. Der DONUT-Encoder hingegen schließt einen Inferenzzyklus in nur 0,024 ± 0,001 ms ab – mehr als 230-mal schneller als herkömmliche Analysemethoden unter denselben GPU-Hardwarebedingungen. Seine Leistung ist vergleichbar mit der des zuvor vorgestellten überwachten Deep-Learning-Verfahrens NanobeamNN (0,019 ± 0,001 ms).

Abschluss

DONUT ist ein physikalisch basiertes, unüberwachtes Deep-Learning-Framework zur schnellen und präzisen Analyse von Daten der Raster-Röntgen-Nanodiffraktionsmikroskopie. Durch die direkte Integration eines differenzierbaren geometrischen Diffraktionsmodells in eine Autoencoder-Architektur ermöglicht DONUT die Echtzeit-Extraktion von Informationen zur Kristallgitterdehnung und -orientierung. Die Analysegeschwindigkeit übertrifft herkömmliche Korrelationsanpassungsmethoden deutlich, ohne dass annotierte Trainingsdaten benötigt werden. Diese Methode senkt die technische Hürde für Echtzeit-Feedback in komplexen Nanodiffraktionsexperimenten erheblich und eröffnet neue Wege, das Verständnis fundamentaler Materialeigenschaften zu beschleunigen und die Forschung zu dynamischen Prozessen im Nanobereich in verschiedenen wissenschaftlichen Disziplinen voranzutreiben.

DONUT konzentriert sich aktuell primär auf die Raster-Röntgen-Nanodiffraktion, und sein Anwendungsbereich ist durch die experimentelle Geometrie und die Modellannahmen begrenzt. Beispielsweise ist für Röntgen-Ptychographie-Aufgaben mit höherer räumlicher Auflösung die Weiterentwicklung eines geeigneten physikalischen KI-Frameworks erforderlich. Aus einer breiteren Perspektive betrachtet, zeigt DONUT jedoch einen vielversprechenden Weg auf: Die zukünftige Entwicklung wissenschaftlicher künstlicher Intelligenz zielt nicht zwangsläufig auf die Vergrößerung von Modellen ab, sondern darauf, Modelle zu befähigen, wissenschaftliche Gesetze besser zu verstehen.

Quellen:
https://www.nature.com/articles/s41524-025-01860-7
https://phys.org/news/2026-08-real-ray-analysis-donut-materials.html