📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Электронный микроскоп сканирует образец и в каждой точке записывает, как электроны рассеиваются на атомах. Получается гигантская стопка снимков — по одному на каждую точку. В них зашифрована информация о том, как уложены атомы: ровными рядами или с перекосом, куда повёрнута кристаллическая решётка, есть ли внутренние напряжения.

Проблема в том, что таких снимков миллионы, и вручную их не разобрать. Авторы работы предлагают автоматически находить участки, где картина рассеяния почти одинаковая. Похожие снимки объединяются в группы, и для каждой группы получается один усреднённый узор — чёткий и без шума. Так из хаоса миллионов картинок рождается карта из нескольких десятков областей.

Такой подход резко уменьшает объём данных — в сотни раз. При этом важные детали не теряются, а наоборот, становятся заметнее: усреднение убирает случайный шум. Метод пригодится не только для статичных образцов, но и для наблюдения за процессами в реальном времени, например за ростом кристаллов.

Авторы опробовали алгоритм на данных о росте наночастиц золота в жидкой среде. Микроскоп снимал видео, как частицы укрупняются, а программа на лету разделяла кадры по типам кристаллической упаковки. Это позволило увидеть, как меняется структура каждой частицы по отдельности.

Теперь у материаловедов есть инструмент, который превращает сырые данные микроскопа в понятную карту: где какая фаза, куда повёрнута решётка, где есть напряжения. Это ускоряет анализ и помогает находить закономерности, которые раньше тонули в шуме.

Оригинальная аннотация

как её написали авторы, на английском 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.