Neuronales Netzwerk verbessert die Ptychografie-Genauigkeit

Ptychografie ist eine fortschrittliche Bildgebungsmethode, die hilft, detaillierte Bilder von verschiedenen Materialien und biologischen Proben zu erstellen. Sie funktioniert, indem ein Licht- oder Elektronenstrahl auf eine Probe gerichtet wird und das Licht erfasst wird, das von ihr streut. Dieses gestreute Licht bildet Muster, die verwendet werden können, um das Bild der Probe zu rekonstruieren. Damit die Ptychografie gute Ergebnisse liefert, müssen die Stellen, an denen das Licht die Probe trifft, genau aufgezeichnet werden.

In der Praxis kann es Fehler in diesen aufgezeichneten Positionen geben. Wenn diese Fehler gross sind oder sich während des Scannens summieren, kann es schwierig werden, sie mit traditionellen Optimierungsmethoden zu beheben. In diesem Artikel stellen wir eine neue Methode vor, um diese Probenpositionen mit einem neuronalen Netzwerk vorherzusagen, das einzelne Beugungsmuster verarbeiten kann, ohne auf überlappende Bereiche angewiesen zu sein, die normalerweise in der Ptychografie entscheidend sind.

#Das Problem mit Fehlern bei Probenpositionen

Bei der Verwendung von Ptychografie planen Wissenschaftler normalerweise den Scanning-Pfad, bevor sie das Experiment starten. Dieser Pfad kann ein Raster oder eine Spirale sein, bei der die Sonde sich bewegt, um Daten von verschiedenen Punkten der Probe zu sammeln. Mechanische Probleme oder äussere Faktoren wie Temperaturänderungen können jedoch dazu führen, dass die tatsächlichen Probenpositionen von den geplanten abweichen. Diese Unterschiede können die Qualität der rekonstruierten Bilder beeinträchtigen.

Fehler bei Probenpositionen können in zwei Kategorien eingeteilt werden:

1. Ansammelnde Fehler: Diese Fehler häufen sich, während die Sonde entlang des Scanning-Pfads bewegt wird. Wenn die Sonde zu Beginn einen Fehler hat, kann dieser Fehler alle nachfolgenden Messungen beeinflussen.

2. Unabhängige Fehler: Diese Fehler treten zufällig auf und hängen nicht von anderen Punkten ab. Sie entstehen oft durch mechanische Mängel oder Ungenauigkeiten in der Ausrüstung.

Für traditionelle Methoden, die versuchen, diese Fehler zu korrigieren, wird es oft kompliziert, insbesondere wenn die Probenpositionen weit entfernt sind. In solchen Fällen könnten die erfassten Muster nicht genügend überlappen, was es schwierig macht, die notwendigen Informationen abzurufen, um die Bildqualität zu verbessern.

#Ein neuer Ansatz mit neuronalen Netzwerken

Um diese Probleme anzugehen, haben wir eine Methode entwickelt, die ein neuronales Netzwerk zur Vorhersage von Probenpositionen nutzt. Dies ist ein bedeutender Wandel von traditionellen Ansätzen, da es Korrekturen auch dann ermöglicht, wenn die ursprünglichen Positionsdaten fehlerhaft sind. Das neuronale Netzwerk wird darauf trainiert, eine Art Phasenrückgewinnung durchzuführen, ein Prozess, bei dem es Bilder aus den Beugungsmustern generiert, die an jedem Punkt des Scans gesammelt wurden.

#Schritt 1: Einzelaufnahmen Phasenrückgewinnung

Der erste Teil unserer neuen Methode besteht darin, das neuronale Netzwerk jedes Beugungsmuster unabhängig zu analysieren. Das trainierte neuronale Netzwerk kann Bilder aus einzelnen Mustern rekonstruieren, ohne dass eine Überlappung mit benachbarten Mustern erforderlich ist. Diese Fähigkeit, die als Einzelaufnahmen Phasenrückgewinnung bekannt ist, ermöglicht es uns, mit Proben zu arbeiten, selbst wenn erhebliche Fehler in den Probenpositionen vorliegen.

#Schritt 2: Bildregistrierung

Nachdem die Bilder aus den einzelnen Beugungsmustern abgerufen wurden, wenden wir einen Prozess zur Bildregistrierung an. Dieser Schritt hilft uns zu bestimmen, wie die rekonstruierten Bilder von verschiedenen Scan-Punkten zueinander in Bezug auf die Positionierung stehen. Durch die Berechnung der Abweichungen zwischen Bildpaaren können wir besser verstehen, wo die Sonde tatsächlich hätte sein sollen.

#Schritt 3: Positionsverfeinerung

Mit den geschätzten Abweichungen können wir einen vollständigen Satz vorhergesagter Probenpositionen für den gesamten Scan erstellen. Dieser Satz kann während des Rekonstruktionsprozesses mithilfe traditioneller Optimierungsmethoden weiter verfeinert werden, was hilft, die Genauigkeit der Ergebnisse, die wir aus der Ptychografie erhalten, zu verbessern.

#Praktische Anwendungen

Diese Methode ist nicht nur eine theoretische Verbesserung; sie hat praktische Auswirkungen. Für Einrichtungen, die keine fortschrittlichen Geräte haben, um Probenpositionen genau zu verfolgen, kann unser neuer Ansatz erhebliche Vorteile bieten.

#Testen der Methode

Um unsere vorgeschlagene Methode zu testen, haben wir Daten von verschiedenen Proben in einer Forschungseinrichtung gesammelt. Einige der Proben hatten absichtlich eingeführte Fehler, um zu analysieren, wie gut unsere Methode mit diesen Herausforderungen umgehen kann.

Die Ergebnisse zeigten, dass unsere Methode die Probenpositionen genau vorhersagen konnte, selbst in Fällen, in denen die Fehler erheblich waren. Die durchschnittliche Vorhersagegenauigkeit lag innerhalb von wenigen Pixeln, was weitaus besser war, als sich nur auf traditionelle Optimierungstechniken zu verlassen, die oft mit grösseren Fehlern zu kämpfen hatten.

#Ergebnisse vergleichen

Bei unseren Tests führten wir Ptychografie-Rekonstruktionen mit drei verschiedenen Ausgangspunkten für Probenpositionen durch:

1. Echte Positionen: Die tatsächlichen Orte, an denen die Sonde hätte sein sollen.
2. Nominale Positionen: Die geplanten Positionen, die für die Scans verwendet wurden.
3. Vorhergesagte Positionen: Die Positionen, die durch unsere neuronale Netzwerk-Methode vorhergesagt wurden.

Beim Vergleich der Qualität der Bilder, die aus diesen verschiedenen Positionssätzen rekonstruiert wurden, stellten wir fest, dass die Verwendung unserer vorhergesagten Positionen oft zu schärferen und klareren Bildern führte. Insbesondere wenn wir von Positionen mit grossen ansammelnden Fehlern ausgingen, erwies sich unser Ansatz als überlegen, um hochqualitative Rekonstruktionen zu erzeugen.

#Ergebnisse verschiedener Proben

Für die erste Gruppe von Proben, die aus einem Kalibrierungsschema mit verschiedenen geätzten Mustern bestand, stellten wir fest, dass die Verwendung der vorhergesagten Positionen die Ergebnisse im Vergleich zu den nominalen Positionen erheblich verbesserte. Die Bilder, die mit unseren vorhergesagten Positionen rekonstruiert wurden, zeigten hohe Klarheit und Detailtreue.

Für eine weitere Testreihe mit einem Siemens-Sternmuster, das natürlich sowohl ansammelnde als auch unabhängige Fehler enthielt, reduzierten die vorhergesagten Positionen effektiv Verzerrungen in den Endbildern. Die Verschiebungen in den Bildern, die mit nominalen Positionen rekonstruiert wurden, wurden korrigiert, als wir die vorhergesagten Positionen verwendeten.

#Bewertung der Vorhersagegenauigkeit

Um zu bewerten, wie genau unsere vorhergesagten Positionen waren, führten wir eine Metrik ein, die wir die Wurzel aus dem Mittelwert der quadratischen paarweisen Positionsfehler (RMS-PPE) nannten. Diese Metrik konzentriert sich darauf, die Fehler im Verhältnis zu den tatsächlich bekannten Positionen zu messen, anstatt absolute Werte zu betrachten, um Verzerrungen zu minimieren, die aus allgemeinen Unterschieden zwischen den gesamten Positionssätzen entstehen könnten.

Die RMS-PPE zeigte, dass die vorhergesagten Positionen selbst ohne weitere Verfeinerung bereits recht nah an den echten Positionen waren. Darüber hinaus verbesserten sich die Ergebnisse, wenn die vorhergesagten Positionen als Startwerte für eine optimierungsbasierte Verfeinerung verwendet wurden, oft erreichten wir eine Genauigkeit im einstelligen Pixelbereich.

#Herausforderungen und zukünftige Verbesserungen

Obwohl unsere Methode erhebliche Vorteile gezeigt hat, gibt es noch Herausforderungen, die wir angehen müssen. Zum Beispiel könnte die Leistung unseres neuronalen Netzwerks bei schwach streuenden Proben, bei denen die Beugungsmuster weniger deutlich sind, abnehmen.

Um dies zu bewältigen, planen wir, unsere Trainingsprozesse zu verbessern und möglicherweise unseren Ansatz mit selbstüberwachten Techniken zu kombinieren, die nicht stark auf grosse Datensätze angewiesen sind. Dies könnte dem Netzwerk ermöglichen, aus weniger Beispielen effektiver zu lernen und es anpassungsfähiger für verschiedene Probenarten zu machen.

Wir möchten auch unseren Prozess zur Bildregistrierung verbessern. Wenn die benachbarten Scanning-Punkte keine zuverlässigen Merkmale zum Zuordnen haben, kann dies zu Ungenauigkeiten führen. Wir erkunden Möglichkeiten, solche Situationen besser zu handhaben, insbesondere für Fälle, in denen die Probe spärliche Merkmale aufweist oder von niedrig kontrastierenden Bereichen dominiert wird.

#Fazit

Zusammenfassend lässt sich sagen, dass die neue Methode zur Vorhersage von ptychografischen Probenpositionen mit Hilfe eines neuronalen Netzwerks einen bedeutenden Fortschritt im Feld darstellt. Sie ermöglicht eine genaue Bildrekonstruktion, selbst bei erheblichen Positionsfehlern, und bietet eine praktische Lösung für Experimente ohne ausgeklügelte Tracking-Systeme.

Durch fortlaufende Verbesserungen und weitere Tests an einer breiteren Palette von Proben zielen wir darauf ab, diese Technik zu verfeinern und die Herausforderungen anzugehen, die bestehen bleiben, um hohe Bildqualitätsfähigkeiten in verschiedenen wissenschaftlichen Forschungsfeldern sicherzustellen.