L'estimation des paramètres d'un échantillon à partir de figures de diffraction fait partie des problèmes inverses où la simulation coûteuse limite le débit. Dans les archives voisines, on trouve des travaux sur la tomographie d'ombres, l'assemblage de mosaïques à partir d'éclairs rares, la détermination de la forme de molécules au microscope et l'accélération des calculs de molécules par apprentissage automatique. Tous cherchent des moyens d'extraire plus d'informations d'un nombre limité de mesures ou de simulations. Ce travail s'inscrit dans la même veine, mais mise sur l'utilisation de la structure connue de la fonction objectif plutôt que sur l'entraînement d'un réseau de neurones.
La méthode SBOCF construit un modèle de substitution non pas pour l'erreur finale, mais pour les grandeurs intermédiaires. D'abord, l'image de diffraction est divisée en 9 fragments carrés et pour chacun on calcule la somme des intensités des pixels. Ensuite, on introduit deux termes correctifs : un terme multiplicatif qui met à l'échelle l'erreur par fragment, et un terme additif qui capture l'écart résiduel. Ces 11 grandeurs sont modélisées par des processus gaussiens indépendants. L'optimisation bayésienne choisit le prochain ensemble de paramètres en maximisant l'amélioration espérée, puis lance la simulation. Le budget est limité à 50 simulations.
Sur un échantillon synthétique de SrTiO3 d'épaisseur 380 Å et d'inclinaison 1.5 mrad selon les deux axes, SBOCF a réduit l'erreur finale médiane de 290 fois par rapport à l'optimisation bayésienne standard avec amélioration espérée. Pour un échantillon mince de 100 Å, le gain a été de 47 fois, et pour un échantillon de 200 Å, de 37 fois. Les estimations de l'épaisseur et de l'inclinaison se sont avérées plus précises : l'erreur sur l'épaisseur a diminué jusqu'à 24 fois, et celle sur l'inclinaison jusqu'à 35 fois. Sur des données expérimentales, la méthode a donné des estimations cohérentes avec celles publiées précédemment, sans entraînement préalable d'un réseau de neurones. Le temps pour choisir le point suivant a été d'environ 0.2 minute par itération.
SBOCF se distingue des travaux voisins par le fait qu'elle ne nécessite pas d'ensemble d'entraînement et n'est pas liée à un matériau ou à des conditions d'acquisition spécifiques. Les méthodes voisines soit parcourent une grille de paramètres, soit entraînent un réseau de neurones sur une grande bibliothèque de simulations. Ici, on utilise uniquement la structure de la fonction objectif et 50 simulations. Cela élargit l'applicabilité de l'approche à de nouveaux matériaux et régimes sans réglage supplémentaire.
La méthode peut être étendue à d'autres paramètres influençant la figure de diffraction : les aberrations de la sonde, les amplitudes des vibrations thermiques des atomes, l'épaisseur des couches individuelles dans les hétérostructures. Il est également prometteur d'appliquer SBOCF à d'autres problèmes inverses avec des simulateurs coûteux et des sorties structurées multidimensionnelles, par exemple en diffraction des rayons X ou en diffusion de neutrons.
La méthode accélérera la caractérisation des matériaux en microscopie électronique en transmission et améliorera la précision de la reconstruction ultérieure de la structure atomique. Elle est également utile dans toutes les tâches où il faut ajuster les paramètres d'une simulation à une expérience avec un budget de calcul limité.
Tester SBOCF sur d'autres matériaux et dans une gamme plus large d'épaisseurs et d'inclinaisons. Intégrer la méthode dans le flux de travail de la microscopie électronique pour un réglage automatique de la reconstruction.
Ce travail est directement lié au problème non résolu de l'estimation rapide et précise des paramètres d'un échantillon en microscopie électronique sans grands ensembles d'entraînement. C'est un obstacle clé à l'automatisation et au passage à l'échelle de l'analyse structurale des matériaux.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Cette étude propose la méthode SBOCF pour l'optimisation bayésienne des paramètres d'échantillon en microscopie électronique. La méthode divise l'image de diffraction en fragments et modélise leurs statistiques, réduisant la dimensionnalité de la sortie de 24 649 à 11. Sur des données synthétiques et expérimentales, SBOCF réduit l'erreur par rapport à l'optimisation bayésienne standard jusqu'à 290 fois et améliore la reconstruction ultérieure.
Où est sa force
La force de la méthode réside dans l'exploitation de la structure de la fonction objectif via des quantités intermédiaires, ce qui permet de se passer d'un ensemble d'apprentissage et de ne pas être lié à un matériau spécifique.
Vers où avancer
À essayer
Pourquoi cela peut compter
La méthode proposée étend l'applicabilité de l'optimisation bayésienne aux problèmes inverses avec des simulations coûteuses, où l'apprentissage de réseaux de neurones est difficile en raison du manque de données.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.53, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Le nombre de sorties modélisées a été réduit de 24 649 à 11, soit plus de 2000 fois, tandis que l'erreur finale a diminué jusqu'à 290 fois. Si chaque simulation prenait une heure, le balayage complet d'une grille d'un million de points prendrait 114 ans, alors que SBOCF s'en sort en 50 heures.