4D scanning transmission electron microscopy
PulseAugur coverage of 4D scanning transmission electron microscopy — every cluster mentioning 4D scanning transmission electron microscopy across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型神经网络Multi4D以98.82%的准确率绘制材料界面图
研究人员开发了Multi4D，一个新颖的神经网络框架，用于利用四维扫描透射电子显微镜（4D-STEM）分析复杂的材料界面。该系统集成了扩散Transformer和卷积神经网络，以98.82%的准确率精确识别晶体结构。Multi4D还引入了一个名为衍射推断结构复杂度（Diffraction-Inferred Structural Complexity）的指标，用于量化局部结构模糊性。该框架已成功应用于纳米分辨率下超导体、腐蚀合金和电池界…
-
深度学习框架实现更快、跨材料的叠层重建
研究人员开发了一种新颖的深度学习框架用于叠层相位重建，显著降低了与大规模4D-STEM数据相关的计算成本。该新方法直接从衍射测量中预测全场相位图，绕过了迭代优化。值得注意的是，该模型展示了有效的零样本跨材料迁移能力，无需目标域微调即可成功重建AuPd和MoS$_2$等材料的相位图。与传统的迭代方法相比，直接的局部到全局流水线将重建时间缩短了10倍。
-
自动化4D-STEM例程增强电子显微镜数据采集与分析
研究人员开发了一种用于电子显微镜实验中采集和分析4D-STEM数据的自动化例程。该新系统利用编程接口控制显微镜功能，实现自动化数据收集并减少操作员偏差。该例程已被证明可以从纳米颗粒集合中提取详细的微观结构信息，包括取向、形状和相分布，以及从单个晶粒中进行原子分辨率相成像和晶格应变映射。
-
新方法将AI自监督学习与科学成像物理学相结合
研究人员开发了一种新的方法，用于在科学成像的自监督学习（SSL）中设计数据增强。这种被称为物理对齐增强的方法，考虑了科学成像模式的独特对称性和采集约束，这与为自然图像设计的标准流程不同。通过形式化这些约束并提供选择工作流程，该方法旨在改善电子显微镜等领域的表示学习和下游性能。