Cartographie des cristaux : comment trier des millions d'images express
Le microscope électronique balaie l'échantillon et enregistre en chaque point la façon dont les électrons sont diffusés par les atomes. On obtient une pile gigantesque d'images – une par point. Elles contiennent des informations sur l'arrangement des atomes : rangées régulières ou décalées, orientation du réseau cristallin, présence de contraintes internes.
Le problème, c'est qu'il y a des millions de ces images, et qu'il est impossible de les trier à la main. Les auteurs de l'étude proposent de détecter automatiquement les zones où le diagramme de diffraction est presque identique. Les images similaires sont regroupées, et pour chaque groupe on obtient un motif moyen – net et sans bruit. Ainsi, du chaos de millions d'images naît une carte de quelques dizaines de zones.
Cette approche réduit considérablement le volume de données – des centaines de fois. Les détails importants ne sont pas perdus, au contraire, ils deviennent plus visibles : la moyenne élimine le bruit aléatoire. La méthode ne s'applique pas seulement aux échantillons statiques, mais aussi à l'observation de processus en temps réel, comme la croissance des cristaux.
Les auteurs ont testé l'algorithme sur des données de croissance de nanoparticules d'or en milieu liquide. Le microscope a filmé l'agrandissement des particules, et le programme a séparé en direct les images selon les types d'empilement cristallin. Cela a permis d'observer comment la structure de chaque particule évolue individuellement.
Désormais, les spécialistes des matériaux disposent d'un outil qui transforme les données brutes du microscope en une carte compréhensible : où se trouve quelle phase, comment le réseau est orienté, où il y a des contraintes. Cela accélère l'analyse et aide à repérer des régularités qui se perdaient auparavant dans le bruit.
Résumé original
tel que rédigé par les auteurs, en anglais 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.
La moyenne des diagrammes de diffraction améliore tellement la qualité du signal que de faibles réflexions, invisibles sur les images individuelles, deviennent apparentes.