Mapa de cristales: cómo clasificar millones de imágenes exprés
El microscopio electrónico escanea la muestra y en cada punto registra cómo se dispersan los electrones en los átomos. El resultado es una pila gigante de imágenes, una por cada punto. En ellas está codificada la información sobre cómo se ordenan los átomos: en filas regulares o con desviación, hacia dónde está girada la red cristalina, si hay tensiones internas.
El problema es que hay millones de estas imágenes y no se pueden revisar a mano. Los autores del trabajo proponen encontrar automáticamente las zonas donde el patrón de dispersión es casi idéntico. Las imágenes similares se agrupan y para cada grupo se obtiene un patrón promedio, nítido y sin ruido. Así, del caos de millones de imágenes nace un mapa de unas pocas decenas de regiones.
Este enfoque reduce drásticamente el volumen de datos, cientos de veces. Además, los detalles importantes no se pierden, sino que se vuelven más visibles: el promedio elimina el ruido aleatorio. El método no solo sirve para muestras estáticas, sino también para observar procesos en tiempo real, como el crecimiento de cristales.
Los autores probaron el algoritmo con datos del crecimiento de nanopartículas de oro en un medio líquido. El microscopio grabó un video de cómo las partículas se hacían más grandes, y el programa clasificaba los fotogramas sobre la marcha según el tipo de empaquetamiento cristalino. Esto permitió ver cómo cambiaba la estructura de cada partícula individualmente.
Ahora los científicos de materiales tienen una herramienta que convierte los datos brutos del microscopio en un mapa comprensible: dónde está cada fase, hacia dónde está girada la red, dónde hay tensiones. Esto acelera el análisis y ayuda a encontrar patrones que antes se perdían en el ruido.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2601.17262
Four-dimensional scanning transmission electron microscopy (4D-STEM) enables mapping of diffraction information with nanometer-scale spatial resolution, offering detailed insight into local structure, orientation, and strain. However, as data dimensionality and sampling density increase, particularly for in situ scanning diffraction experiments (5D-STEM), robust segmentation of structurally consistent behavior across sequential measurements becomes essential for efficient and physically meaningful analysis. Here, we introduce a clustering framework that identifies crystallographically distinct domains from 4D-STEM datasets. By using local diffraction-pattern similarity as a metric, the method extracts closed contours delineating spatially contiguous regions. This approach produces cluster-averaged diffraction patterns that improve signal quality while reducing data volume by orders of magnitude, enabling rapid and accurate orientation, phase, and strain mapping. We demonstrate the applicability of this approach to in situ liquid-cell 4D-STEM data of gold nanoparticle growth. Our method provides a scalable and generalizable route for spatially coherent segmentation, data compression, and quantitative structure-strain mapping across diverse 4D-STEM modalities. The full analysis code and example workflows are publicly available to support reproducibility and reuse.
El promedio de los patrones de difracción mejora tanto la calidad de la señal que se vuelven visibles reflexiones débiles, imperceptibles en imágenes individuales.