李子健:用于晶体材料表征的Transformer深度学习红外全息技术【CG&D,2024】

发布时间：2024-08-12          阅读：0次

针对上述问题，中国地质大学（北京）数理学院控制科学与工程专业博士研究生李子健在其导师黄昊翀副教授的指导下，提出了基于Transformer深度学习算法的红外数字全息技术，实现了对晶体材料的非破坏性、实时分析，为晶体材料的表征带来了新的突破，合作者还包括数理学院郑志远教授、邢杰教授等人。硬件部分采用自研的同轴红外数字全息装置进行成像，能够恢复样品的原始三维信息，算法部分结合了Transformer的深度学习原理，将其应用于重建过程，使模型能够捕捉长程关联和复杂的结构信息，从全息图中提取出详细的特征，如物体形状、大小和位置。通过这种方法成功实现了对二硫化铼 (ReS₂)的介电特性的评估、检测二硫化钼 (MoS₂)中的材料厚度以及实时监测并重建氯化钠 (NaCl)和硫酸铜 (CuSO₄)晶体生长期间的微结构变化。

该论文的主要工作可以分为以下几个部分：

1.基于红外数字全息和深度学习的新型成像系统：本研究提出了一种创新的成像系统，结合红外数字全息术和深度学习算法，能够从全息干涉条纹中提取出三维特征。相比传统算法，该系统在非破坏性和实时分析晶体结构方面表现出色，尤其适用于过渡金属二硫化物等材料的表征。

2. 参数对重现质量的影响研究及全息引导训练策略：深入研究了不同参数对重现质量的影响，特别关注相位精度。为了提高框架性能，提出了一种基于全息引导的训练策略，使模型在处理复杂结构时能够更精准地再现细节。采用基于角谱法的仿真数据集，通过结合物体的形状、大小和位置，模拟数据集可以反映在真实样本中观察到的基本特征和模式。在使用模拟算法重建全息图像的模拟参数方面，考虑包括模拟系统的分辨率、光源的波长、探测器的像素间距以及样品与探测器之间的距离等。

3. 基于Transformer的红外光场深度学习模型性能提升：研究中使用了基于Transformer的深度学习模型 (TFN)，在多个客观评估指标上显示出显著的性能提升。例如，预测速度提高了94.77%，结构相似性指数提高了12.72%，均方误差降低了26.21%，峰值信噪比提高了60.89%，TFN在提升图像重建质量和速度方面具有巨大优势。在具体模型参数上，考虑了多种因素，包括模型深度 (M)、注意力头的数量 (N)、可训练的矩阵词嵌入 (W)、查询矩阵 (Q)、键矩阵 (K) 和值矩阵 (V)。此外，矩阵 W_Q、W_K 和 W_V 分别对应于矩阵 Q、K 和 V。为了生成预测结果，编码器模块的输出矩阵通过一个解码器进行转换，该解码器使用全连接层实现分类。

4.在晶体生长和缺陷检测方面的成功应用：该系统成功应用于监测氯化钠 (NaCl)和硫酸铜 (CuSO₄)晶体在生长过程中的微观结构演化，以及检测二硫化钼 (MoS₂)中硫原子缺陷区域。相位部分表示物质波相对于参考波在记录平面上的每个点处的相位差，编码参考波和物质波之间的光程差信息。这可以提供物体内不同点的深度或距离的细节，揭示材料表面形态的变化，例如表面起伏、皱纹等。通过对这些晶体材料的研究，验证了该系统在实际应用中的有效性和可靠性。

这项研究展示了一种在红外波段中实时获取高分辨率相位特征的有效方法，为晶体材料与二维材料的表征提供了新的途径。验证了使用模拟算法建立特殊全息数据集的可行性。此外，研究还考察了不同参数对再现质量的影响，强调了红外数字全息中基本计算方法的重要性，并分析了相位精度。系统实时重建聚焦的优势成功解决了之前表征手段的局限性。

本项工作受到国家自然科学基金（61805214，42072087），中国科学院上海技术物理研究所红外物理国家重点实验室开放课题，航天宏图遥感学科交叉研究项目，优秀青年教师创新交叉团队建设项目，北京市科协青年人才托举工程项目，深时数字地球前沿科学中心项目（2652023001）资助，成果发表在国际权威期刊《Crystal Growth & Design》上：Zijian Li, Haochong Huang*, Dexin Sun*, Zhiyuan Zheng, Fang Wang, Spozmai Panezai, Jie Xing, Yehua Yang, Kunfeng Qiu，2024. Deep Learning Infrared Holography with Transformer for Crystal Material Characterization.

DOI：10.1021/acs.cgd.4c00919

全文链接：https://doi.org/10.1021/acs.cgd.4c00919