L'efficacité Analytique a Été Améliorée De Plus De 200 Fois ! Le Laboratoire National d'Argonne Propose Une Méthode d'analyse Par Diffraction De Nanofaisceau Basée Sur Un Apprentissage Non Supervisé, Permettant À DONUT d'extraire Avec Précision Les Caractéristiques Des matériaux.

L'amélioration des propriétés des matériaux dépend essentiellement d'une compréhension précise de leur structure interne.

La microscopie par diffraction des rayons X à balayage (SXDM) est une technique de caractérisation avancée qui exploite le contraste de diffraction pour obtenir des informations spatiales sur la structure des matériaux. Elle est devenue un outil important pour l'étude des structures nanométriques ces dernières années. Cependant, l'analyse des données SXDM présente une difficulté majeure : la relation de convolution entre la forme du faisceau et les informations locales du réseau cristallin. Les méthodes traditionnelles consistent généralement à séparer ces paramètres structuraux couplés en ajustant les données à des données simulées.Cependant, ce processus est coûteux en ressources de calcul et dépend fortement des étapes de prétraitement des données.

Parallèlement, l'intelligence artificielle s'intègre progressivement au domaine de la radiologie : les modèles d'apprentissage supervisé ont déjà démontré des avantages significatifs en matière de traitement des données dans des domaines tels que la diffraction par cohérence de Bragg (BCDI), la ptychographie aux rayons X et l'analyse par microscopie électronique. Cependant, l'apprentissage supervisé présente une limitation fondamentale :Cela nécessite une grande quantité de données d'entraînement étiquetées de haute qualité, mais ce n'est pas une tâche facile.D'une part, la génération de données simulées exige une connaissance approfondie du domaine ; d'autre part, l'analyse manuelle des données expérimentales est souvent chronophage et gourmande en ressources de calcul. De plus, des différences peuvent exister entre les données simulées et les environnements expérimentaux réels, ce qui limite la capacité de généralisation du modèle.

Dans ce contexte,Une équipe de recherche du Laboratoire national d'Argonne du département de l'Énergie des États-Unis a proposé DONUT (Diffraction with Optics for Nanobeam by Unsupervised Training), une méthode d'analyse de diffraction de nanofaisceau basée sur un apprentissage non supervisé.Il s'agit d'un réseau neuronal physiquement conscient pour l'analyse rapide et automatisée des données de diffraction par nanofaisceau. Cette méthode surmonte les limitations fondamentales des méthodes d'apprentissage automatique supervisé dans les applications en sciences des rayons X en s'affranchissant des jeux de données étiquetés et des modèles pré-entraînés. Les résultats expérimentaux démontrent que DONUT extrait avec précision toutes les caractéristiques des données, atteignant une efficacité d'analyse plus de 200 fois supérieure aux méthodes d'ajustement traditionnelles.

Les résultats de recherche associés, intitulés « DONUT : apprentissage automatique prenant en compte la physique pour l'analyse de nanodiffraction des rayons X en temps réel », ont été publiés dans npj Computational Materials.

Points saillants de la recherche :

* En intégrant directement un modèle de diffraction géométrique différentiable dans l'architecture du réseau, DONUT est capable d'apprendre et de prédire en temps réel les informations relatives à la déformation et à l'orientation du réseau cristallin.

DONUT peut être entraîné entièrement sur des données expérimentales et sa vitesse d'analyse est plus de 200 fois supérieure à celle des méthodes traditionnelles. Il permet également une séparation plus précise des paramètres structurels des convolutions.

Ce nouveau cadre offre une approche technique flexible et robuste pour l'analyse automatisée en temps réel des données SXDM et devrait accélérer l'exploration et la recherche de systèmes de matériaux complexes dans des conditions dynamiques.

Adresse du document :
https://www.nature.com/articles/s41524-025-01860-7

Cela modifie la méthode traditionnelle d'entraînement des modèles d'IA qui repose sur des données étiquetées manuellement.

L'une des principales innovations de DONUT réside dans la modification de la méthode traditionnelle d'entraînement des modèles d'IA, qui repose sur des données étiquetées manuellement. Or, pour les systèmes de matériaux complexes, ces données étiquetées sont très limitées. C'est pourquoi DONUT adopte une approche d'apprentissage non supervisé, contrainte par les lois de la physique, permettant au modèle d'apprendre directement les informations sur la structure du matériau à partir des données de diffraction.

Données simulées

Dans cette étude, l'équipe de recherche a d'abord construit un jeu de données de diffraction simulées afin de valider les capacités fondamentales du modèle DONUT. Les données de simulation couvraient trois paramètres structuraux clés : la déformation du réseau cristallin, la rotation dans le plan et la rotation hors du plan.

Le paramètre de déformation ε est fixé à une plage de -0,005 à 0,005 ;

L'angle de rotation du réseau dans le plan ω varie de -0,05° à 0,05°.

L'angle de rotation du réseau hors plan χ varie de -0,1° à 0,1°.

Les chercheurs ont généré 68 921 images de diffraction simulées, chacune de 64 × 64 pixels. Chaque figure de diffraction simulée a d'abord été mise à l'échelle pour que sa distribution d'intensité corresponde aux mesures expérimentales, puis échantillonnée selon une distribution de Poisson afin de simuler les niveaux de bruit rencontrés lors d'expériences réelles. L'ensemble de données expérimentales consistait en un balayage unique couvrant 165 × 165 points sur l'échantillon. Une région d'intérêt (ROI) de 128 × 128 pixels a été sélectionnée sur le détecteur, puis sous-échantillonnée à 64 × 64 pixels pour améliorer le rapport signal/bruit.

Données expérimentales

Des données expérimentales ont été utilisées pour évaluer les performances de DONUT par rapport aux méthodes d'analyse de données traditionnelles les plus performantes actuellement disponibles.

Tout d'abord, une région d'intérêt (ROI) est sélectionnée dans l'image du détecteur, en veillant à ce qu'elle couvre intégralement les pics de diffraction mesurés. Ensuite, les pixels de la ROI sont regroupés par blocs : chaque matrice de 2 × 2 pixels est agrégée en une seule valeur de pixel afin d'améliorer le rapport signal/bruit. À l'aide d'un modèle de diffusion avant physiquement réaliste, une bibliothèque de diffraction simulée couvrant l'espace des paramètres de maille est générée.

Chaque diagramme de diffraction mesuré expérimentalement est multiplié par chaque diagramme simulé de la bibliothèque afin de générer une série de matrices de corrélation. Ces matrices sont ensuite projetées le long de chaque axe de paramètre de maille, et la valeur de corrélation maximale pour chaque paramètre est obtenue par interpolation par sommation pondérée du centre de masse des résultats de projection.

L'ensemble de données final (données simulées, données expérimentales ou une combinaison des deux) a été divisé aléatoirement en : ensemble d'entraînement (80%), ensemble de validation (10%) et ensemble de test (10%).

Intégration directe des lois physiques issues de la science des matériaux dans les structures des réseaux neuronaux

L'architecture DONUT repose sur un auto-encodeur prenant en compte la physique. Cependant, l'interprétabilité de l'espace latent constitue un défi majeur pour les auto-encodeurs, car les représentations d'intégration entièrement basées sur les données peuvent manquer de signification physique directe. Pour résoudre ce problème,Les chercheurs introduisent souvent des contraintes physiques dans l'architecture du réseau ou dans les fonctions de perte.Parmi les exemples, citons la symétrie imposée, les lois de conservation ou les connaissances a priori spécifiques au domaine. DONUT utilise une approche similaire, dont le processus global est illustré dans le diagramme suivant :

Le réseau prend en entrée une figure de diffraction bidimensionnelle. Cette image est d'abord traitée par un encodeur de réseau neuronal convolutif (CNN) (figure b ci-dessous), puis compressée en un vecteur d'espace latent de faible dimension. Ce vecteur latent contient, par construction, trois éléments représentant les grandeurs physiques d'intérêt : la déformation (ε, l'amplitude relative du vecteur de transfert de quantité de mouvement Q), la rotation dans le plan (ω, l'angle de rotation relatif de Q dans le plan de diffusion horizontal) et la rotation hors du plan (χ, l'angle de rotation relatif de Q perpendiculaire au plan de diffusion). Ces trois grandeurs physiques indépendantes influencent la distribution d'intensité simulée à partir du modèle physique, contraignant ainsi l'encodeur à ne prédire que des valeurs physiquement pertinentes.

Alors,Le vecteur latent est simultanément introduit dans deux branches parallèles :

* Une branche de décodeur symétrique à la structure de l'encodeur, utilisée pour reconstruire une version débruitée de l'intensité de diffraction d'entrée basée sur le vecteur latent ;

* Une branche de modèle direct basée sur un modèle physique qui utilise des paramètres latents (ε, ω et χ) pour simuler l'intensité de diffraction.

Le réseau est entraîné en minimisant une fonction de perte composite. Cette fonction de perte correspond à l'erreur absolue moyenne pondérée (MAE) entre l'image d'entrée originale et les sorties des deux branches : le résultat de la reconstruction par le décodeur et le résultat de la simulation basée sur le modèle physique (ce dernier ne contenant aucun paramètre entraînable). Durant l'entraînement, le réseau ajuste itérativement les poids de l'auto-encodeur afin de faire correspondre progressivement l'image générée aux données expérimentales d'entrée. Cette stratégie d'optimisation bi-objectif garantit que l'encodeur puisse apprendre dans l'espace latent et générer une représentation numérique physiquement précise et robuste, correspondant aux paramètres structurels cibles.

Le modèle DONUT complet comporte trois résultats finaux :

* Saisissez le tenseur d'espace latent correspondant aux données de diffraction, qui comprend des informations sur la déformation, la rotation du réseau dans le plan et la rotation du réseau hors du plan.

* L'image reconstruite à partir de l'image d'entrée par le décodeur (c'est-à-dire le résultat débruité de l'image d'entrée).

* Diagrammes de diffraction simulés générés à partir de modèles de diffraction physiquement contraints

En intégrant des processus physiques complets et différentiables dans une architecture de réseau neuronal, DONUT force les variables de l'espace latent à correspondre à des quantités physiques spécifiques, garantissant ainsi que les prédictions du modèle sont non seulement efficaces sur le plan du calcul, mais aussi scientifiquement interprétables.

L'efficacité de l'analyse DONUT est considérablement améliorée par rapport aux méthodes d'ajustement traditionnelles.

Pour vérifier les capacités réelles de DONUT, l'équipe de recherche l'a testé sur des données expérimentales simulées et réelles, et a comparé les résultats avec des méthodes d'ajustement de corrélation traditionnelles et des modèles d'apprentissage profond supervisés développés précédemment.

Performances sur des données simulées

La figure ci-dessous présente une comparaison entre les résultats de prédiction de DONUT et les méthodes d'analyse d'ajustement de corrélation traditionnelles :

La figure b ci-dessus montre que les méthodes d'analyse traditionnelles ne permettent pas de distinguer complètement et systématiquement les caractéristiques de déformation de celles de rotation du réseau cristallin dans le plan. Plus précisément, la structure périodique des caractéristiques de déformation est clairement visible sur le diagramme de rotation du réseau cristallin dans le plan (image du milieu), et inversement, ce qui indique un couplage important entre ces deux types d'informations structurelles. En revanche, DONUT (figure c ci-dessus) permet de séparer clairement le signal de déformation du signal de rotation du réseau cristallin dans le plan et de prédire avec précision l'amplitude de la déformation, contrairement aux méthodes d'analyse traditionnelles qui surestiment cette valeur.

Performances sur des données expérimentales

Ensuite, les chercheurs ont évalué DONUT à l'aide de données SXDM expérimentales de films minces de SrIrO₃ et ont comparé ses performances avec des méthodes d'ajustement de corrélation traditionnelles et un modèle d'apprentissage profond supervisé développé précédemment.

Comme le montre la figure ci-dessous, les résultats de prédiction de DONUT (figure b) sont qualitativement cohérents avec ceux de l'analyse traditionnelle (figure a), tout en présentant des améliorations significatives. L'avantage principal réside dans le fait que les méthodes traditionnelles souffrent d'artefacts d'interférence croisée manifestes — par exemple, des caractéristiques rotationnelles apparaissent incorrectement sur la carte de distribution des déformations — tandis que DONUT parvient à séparer clairement et indépendamment les différents paramètres.

Par ailleurs, DONUT présente une fidélité supérieure : il permet de résoudre la fine structure des franges entre deux grands domaines rotatifs dans la carte de distribution spatiale du centroïde de diffraction, ce que les méthodes supervisées ne peuvent réaliser. Ce résultat démontre que les méthodes non supervisées à contraintes physiques s’affranchissent non seulement du besoin de données étiquetées, mais atteignent également une plus grande précision dans l’extraction de caractéristiques.

Les chercheurs ont étendu les capacités analytiques de SXDM en ajoutant la prédiction de l'épaisseur du film aux paramètres existants de contrainte et de rotation du réseau cristallin. SXDM peut détecter l'inhomogénéité de l'épaisseur des films cristallins grâce aux variations de l'intensité totale locale et aux variations périodiques des oscillations de Laue (c'est-à-dire les variations de la position des franges d'interférence dans le système de coordonnées du détecteur). La figure ci-dessous présente les résultats de prédiction de l'épaisseur du film obtenus avec DONUT pour des échantillons simulés (à gauche) et des échantillons mesurés expérimentalement (à droite).

Contrairement aux analyses de contrainte et de rotation du réseau cristallin, les résultats de l'analyse traditionnelle de l'épaisseur du film diffèrent significativement de ceux obtenus par les réseaux de neurones (figure a ci-dessus, à droite), chaque méthode présentant ses avantages. Les résultats de l'ajustement par corrélation montrent que la distribution de l'épaisseur du film est très uniforme, conformément aux attentes pour des films de haute cristallinité préparés par épitaxie par jets moléculaires. Cependant, cette méthode surestime considérablement l'épaisseur du film, prédisant une valeur de 136 Å, alors que l'épaisseur réelle n'est que de 120 Å, correspondant à 30 mailles élémentaires. En revanche, la prédiction de l'épaisseur du film par DONUT est plus réaliste, avec une moyenne d'environ 110 Å.

Bien qu'il subsiste une certaine incertitude dans la prédiction de l'épaisseur du film, ce résultat prouve que le cadre DONUT peut être étendu et permettre une prédiction plus précise des informations sur la structure du matériau grâce à l'ajout de paramètres spatiaux potentiels.

Outre une précision accrue, le principal atout de DONUT réside dans son efficacité de calcul. Les tests menés par les chercheurs ont révélé que, dans les mêmes conditions matérielles (carte graphique NVIDIA GeForce RTX 3090), les méthodes d'analyse par corrélation classiques nécessitent 5,6 ± 0,4 ms pour traiter chaque image de données (64 × 64 pixels en virgule flottante simple précision, soit 32 bits). À l'inverse, l'encodeur DONUT effectue un cycle d'inférence en seulement 0,024 ± 0,001 ms, soit plus de 230 fois plus rapidement que les méthodes d'analyse classiques dans les mêmes conditions matérielles. Ses performances sont comparables à celles de la méthode d'apprentissage profond supervisé NanobeamNN (0,019 ± 0,001 ms).

Conclusion

DONUT est un cadre d'apprentissage profond non supervisé, prenant en compte les propriétés physiques des matériaux, pour l'analyse rapide et précise des données de microscopie de nanodiffraction par rayons X. En intégrant directement un modèle géométrique de diffraction différentiable dans une architecture d'auto-encodeur, DONUT extrait en temps réel les informations relatives à la déformation et à l'orientation du réseau cristallin. Sa vitesse d'analyse surpasse largement les méthodes traditionnelles d'ajustement par corrélation, sans nécessiter de données d'entraînement étiquetées. Cette méthode réduit considérablement les obstacles techniques à l'obtention d'un retour d'information en temps réel dans les expériences complexes de nanodiffraction, ouvrant ainsi une nouvelle voie pour accélérer la compréhension des propriétés fondamentales des matériaux et potentiellement faire progresser la recherche sur les processus dynamiques à l'échelle nanométrique dans divers domaines scientifiques.

Bien entendu, DONUT se concentre actuellement principalement sur les scénarios de nanodiffraction des rayons X par balayage, et son champ d'application est limité par la géométrie expérimentale et les hypothèses du modèle. Par exemple, pour les tâches de ptychographie aux rayons X nécessitant une résolution spatiale plus élevée, le développement d'un cadre d'IA physique adapté est indispensable. Toutefois, d'un point de vue plus large, DONUT illustre une voie prometteuse : le développement futur de l'intelligence artificielle scientifique ne consiste pas nécessairement à agrandir les modèles, mais à leur permettre de mieux comprendre les lois scientifiques.

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