三维点云神经网络实现原子探针重大突破

一、【导读】

在原子尺度上定量分析材料的细微结构，对于理解金属材料的力学行为起着关键作用。原子探针层析技术(APT)作为一种逐个原子的表征技术，以其优异的元素灵敏度和亚纳米级别的空间分辨率而闻名。然而，由于APT技术本身的限制，识别细微结构的场景是有限的，APT本质上是识别这些细微结构附近的元素偏聚。在这里，我们提出了一种3D深度学习方法（AtomNet），用于处理APT独特的点云数据结构，同时考虑成分和结构信息，在单原子水平上进行纳米级微观结构的提取。AtomNet可以通过分析原子与原子的相对环境来识别具有挑战性的微结构，包括直径超过2nm的纳米析出相，直径约为1-2nm且没有明显成分偏析的局部化学有序，甚至是不包含在训练集中的晶体缺陷（层错）。

二、【成果掠影】

近日，中南大学、马普钢铁研究所等多家科研单位在马普所李跃博士的领衔下合作，基于APT独特的数据结构开发了名为AtomNet的点云神经网络，实现了APT应用场景的重大突破。首先，AtomNet在AlLiMg合金中成功分割出直径3-5nm的析出相，结果与isosurface一致。然后，AtomNet在AuCu合金中识别到几乎没有成分偏聚的直径小于2nm的局部化学有序，打破了APT只能分析具有元素偏聚的结构的限制。最后，AtomNet在Co基高温合金中注意到了层错的存在，尽管AtomNet从来没有见过层错及类似的结构，却依然能够根据原子占位的改变来进行判断。AtomNet推动了APT分析的边界，并有望在各种金属材料中建立起精确的定量的微观结构-性能关系。相关研究结果近日以题为“3D deep learning for enhanced atom probe tomography analysis of nanoscale microstructures”发表在金属材料顶刊Acta Materialia上。其中中南大学余纪威同学为第一作者，马普所李跃博士和中南大学王章维教授和宋旼教授为共同通讯作者。论文DOI：https://doi.org/10.1016/j.actamat.2024.120280

三、【核心创新点】

针对APT独特的点云数据结构，开发了无损的特征提取工程及相应的特征更新策略，实现了纳米析出相、局部化学有序、甚至层错的单原子表征，突破了APT必须依赖元素偏聚来进行结构识别的限制。

四、【数据概览】

图1方法学总览。(a)每个原子的特征工程细节。(b)AtomNet的网络架构。(c)特征更新策略的可视化。(d)特征更新策略的实施细节。

图2 AlLiMg合金中的纳米析出相。该数据分别在pole(b, c, d)和非pole(f, g)处重构。AtomNet的识别结果均与isosurface的结果进行了对比。 (e)是关于(b)的空间分布图，进一步确保识别结果的可靠性。

图3 AuCu合金中的局部化学有序。(a) AtomNet的预测结果。(b)相应的聚类分析。(c)是(a)的空间分布图。(d)真实状态和随机状态的局部化学有序分布。

图4 Co基高温合金中的层错。(a) Al的二维浓度投影图。(b)和(c)为(a)中对应的1区和2区，AtomNet在层错附近留下了空白区域。

五、【成果启示】

在单原子尺度实现纳米级别细微结构的精确表征仍然是为我们需要努力的目标。在这里，作者介绍了一种深度学习方法，同时考虑APT数据的成分信息和结构信息，打破了APT技术的固有限制-难以分析无偏聚的结构，最终实现了局部化学有序和层错的识别。该方法对于APT数据的处理具有普适性，有望在更多场景得到应用，例如团簇和纳米晶界等。

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

本文由论文作者团队供稿。