使用卷积神经网络和Strehl比来进行最佳STEM（透射电子显微术）收敛角度选择
摘要：选择正确的收敛角度对于在扫描透射电子显微镜 (STEM) 中实现最高分辨率成像至关重要。使用贫乏的启发式方法，例如瑞利的四分相规则，来评估探针质量和测量像差函数的不确定性会导致选择不正确的收敛角度和较低的分辨率。在这里，我们展示了 Strehl 比提供了一种准确且高效的计算准则，用于评估 STEM 的探针尺寸。在经过 Strehl 比训练的卷积神经网络上，使用模拟数据集从单个电子朗基奇图中选择收敛角度的性能优于有经验的显微镜师。通过生成数万个模拟朗基奇图样例，该网络被训练以选择平均上接近最佳尺寸的收敛角度，速度快到毫秒级 (相当于人工评估时间的0.02\%)。对于有意引入像差的实验朗基奇图的定性评估表明，最佳收敛角度尺寸的趋势被很好地建模，但高精度需要大量的训练数据集。使用 Strehl 比和机器学习对朗基奇图进行近乎实时的评估突显了快速、自动化校准像差校正电子显微镜的可行路径。
作者：Noah Schnitzer, Suk Hyun Sung, Robert Hovden
论文ID：2007.12281
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2020-10-29