深度学习加持原位电镜 登上Science!!!

目前，材料科学分析已经越来越离不开高分辨电镜技术。然而，电子显微镜在高空间分辨率和毫秒时间分辨率下成像的能力通常受到信噪比低的限制。高空间分辨率要求小束斑和精细采样，而高时间分辨率强制缩短曝光时间，两者均减少单个像素的电子剂量，导致信号微弱。同时，散粒噪声、探测器噪声等在高时间分辨率下更为显著，共同导致信噪比降低。解决这一矛盾需结合‌低噪声探测器技术、高亮度电子源（如场发射枪）‌以及‌算法降噪方法（如深度学习）‌，以在有限信号下提取有效信息。美国纽约大学Carlos Fernandez-Granda、 亚利桑那州立大学Peter A. Crozier等人日前在Science上发表重要研究成果，结合了深度学习技术与原位电子显微镜的前沿应用，显著提升了纳米材料表面动态过程的观测能力。其方法论不仅适用于纳米催化材料，还可拓展至电池电极、高温合金等领域，推动对材料失效机制与功能优化机制的深入理解。

他们的研究成果显示

1：提出了一种基于无监督学习的深度去噪算法，有效解决了电子显微镜在高时间分辨率下因低电子剂量导致的信噪比（SNR）不足问题。相比于传统方法依赖监督学习需要大量干净数据训练，无监督学习通过自主提取噪声模式，实现了对低剂量成像数据的实时去噪，无需预先标注数据。

2：将时间分辨率提升至10毫秒级别，成功捕捉到铂纳米颗粒在氧化铈载体表面的快速动态行为。

3：研究发现外部环境（如气体氛围）诱导的应力场可以穿透表面，导致缺陷形成和不稳定，从而使纳米颗粒发生流动。

4：在气体环境中实时观测纳米颗粒表面的动态变化，避免了传统真空条件下与真实反应环境的差异。

图1. 基于无监督学习的深度去噪算法

图2: Pt颗粒的表面动力学。

图3. 颗粒表面下方的动力学和纳米颗粒流动性。

图4. 量化Pt纳米颗粒整体结构动力学。

论文地址：https://www.science.org/doi/10.1126/science.ads2688