三維點云神經網絡實現原子探針重大突破

一、?【導讀】 ?

在原子尺度上定量分析材料的細微結構，對于理解金屬材料的力學行為起著關鍵作用。原子探針層析技術(APT)作為一種逐個原子的表征技術，以其優異的元素靈敏度和亞納米級別的空間分辨率而聞名。然而，由于APT技術本身的限制，識別細微結構的場景是有限的，APT本質上是識別這些細微結構附近的元素偏聚。在這里，我們提出了一種3D深度學習方法（AtomNet），用于處理APT獨特的點云數據結構，同時考慮成分和結構信息，在單原子水平上進行納米級微觀結構的提取。AtomNet可以通過分析原子與原子的相對環境來識別具有挑戰性的微結構，包括直徑超過2nm的納米析出相，直徑約為1-2nm且沒有明顯成分偏析的局部化學有序，甚至是不包含在訓練集中的晶體缺陷（層錯）。

?

二、【成果掠影】

近日，中南大學、馬普鋼鐵研究所等多家科研單位在馬普所李躍博士的領銜下合作，基于APT獨特的數據結構開發了名為AtomNet的點云神經網絡，實現了APT應用場景的重大突破。首先，AtomNet在AlLiMg合金中成功分割出直徑3-5nm的析出相，結果與isosurface一致。然后，AtomNet在AuCu合金中識別到幾乎沒有成分偏聚的直徑小于2nm的局部化學有序，打破了APT只能分析具有元素偏聚的結構的限制。最后，AtomNet在Co基高溫合金中注意到了層錯的存在，盡管AtomNet從來沒有見過層錯及類似的結構，卻依然能夠根據原子占位的改變來進行判斷。AtomNet推動了APT分析的邊界，并有望在各種金屬材料中建立起精確的定量的微觀結構-性能關系。相關研究結果近日以題為“3D deep learning for enhanced atom probe tomography analysis of nanoscale microstructures”發表在金屬材料頂刊Acta Materialia上。其中中南大學余紀威同學為第一作者，馬普所李躍博士和中南大學王章維教授和宋旼教授為共同通訊作者。論文DOI：https://doi.org/10.1016/j.actamat.2024.120280

???

?

?三、【核心創新點】

針對APT獨特的點云數據結構，開發了無損的特征提取工程及相應的特征更新策略，實現了納米析出相、局部化學有序、甚至層錯的單原子表征，突破了APT必須依賴元素偏聚來進行結構識別的限制。

?

?四、【數據概覽】

圖1?方法學總覽。(a)每個原子的特征工程細節。(b)AtomNet的網絡架構。(c)特征更新策略的可視化。(d)特征更新策略的實施細節。

圖2 AlLiMg合金中的納米析出相。該數據分別在pole(b, c, d)和非pole(f, g)處重構。AtomNet的識別結果均與isosurface的結果進行了對比。 (e)是關于(b)的空間分布圖，進一步確保識別結果的可靠性。

圖3 AuCu合金中的局部化學有序。(a) AtomNet的預測結果。(b)相應的聚類分析。(c)是(a)的空間分布圖。(d)真實狀態和隨機狀態的局部化學有序分布。

圖4 Co基高溫合金中的層錯。(a) Al的二維濃度投影圖。(b)和(c)為(a)中對應的1區和2區，AtomNet在層錯附近留下了空白區域。

?

五、【成果啟示】

在單原子尺度實現納米級別細微結構的精確表征仍然是為我們需要努力的目標。在這里，作者介紹了一種深度學習方法，同時考慮APT數據的成分信息和結構信息，打破了APT技術的固有限制-難以分析無偏聚的結構，最終實現了局部化學有序和層錯的識別。該方法對于APT數據的處理具有普適性，有望在更多場景得到應用，例如團簇和納米晶界等。

?

原文詳情：?3D deep learning for enhanced atom probe tomography analysis of nanoscale microstructures.?(Acta Materialia,?2024.?120280.)

本文由論文作者團隊供稿。