Bei der Bragg-kohärenten Beugungsbildgebung (BCDI) ist das Phasenretrieval hochverspannter Kristalle oft herausfordernd mit standardmäßigen iterativen Algorithmen. Dieses rechnerische Hindernis schränkt das Potenzial der Technik ein, da es die Rekonstruktion physikalisch interessanter, hochverspannter Teilchen ausschließt. Hier schlagen wir einen neuartigen Ansatz für dieses Problem vor, bei dem ein überwacht trainiertes convolutionales neuronales Netzwerk (CNN) verwendet wird, das auf 3D-simulierten Beugungsdaten trainiert wurde, um die entsprechenden Phasen im reziproken Raum vorherzusagen. Diese Methode ermöglicht es, das Potenzial des CNN vollständig auszuschöpfen, indem Funktionen im gleichen Raum abgebildet und strukturelle Ähnlichkeiten zwischen Eingabe und Ausgabe genutzt werden. Das finale Objekt wird durch die inverse Fourier-Transformation der abgerufenen komplexen Beugungsamplitude erhalten und anschließend weiter mit iterativen Algorithmen verfeinert. Wir zeigen, dass unser Modell standardmäßige Algorithmen bei hochverspannten simulierten Daten, die nicht im Trainingssatz enthalten sind, sowie bei experimentellen Daten übertrifft.
Masto et al. (Mon,) untersuchten diese Frage.