近日，上海交通大学溥渊未来技术学院团队联合校内外合作单位，在《npj Computational Materials》发表题为“A unified preprocessing framework for high-throughput diffraction pattern analysis”的研究论文。该研究聚焦四维扫描透射电子显微学（4D-STEM）高通量数据处理中长期存在的关键难题，提出了统一的深度学习预处理框架“4D-PreNet”，可同时实现衍射图样去噪、束斑中心校准与椭圆畸变校正，为自动化电子显微实验和实时数据分析提供了新的技术路径。论文表明，该框架不仅能够显著提升衍射图样质量，还能为后续应变测量、晶体取向识别、相分析等定量表征任务提供稳定、可靠的数据基础，更为实现自动化、实时化的电子显微分析开辟了新的技术路径，对于推动4D-STEM从“高通量采集”迈向“高通量、自动化、实时化分析”，以及促进显微分析技术在企业和工程场景中的规模化应用具有重要学术意义和工程价值。
4D-STEM因能够在每一个扫描位置记录二维衍射图样，近年来已成为研究材料局域结构、晶体取向、应变场和缺陷分布的重要表征手段，也是构建自动化显微实验平台的关键技术之一。然而，4D-STEM在实际应用中仍面临显著瓶颈：一方面，低剂量采集条件下噪声普遍存在，容易淹没高频衍射细节；另一方面，束斑中心漂移以及探测器和成像系统带来的椭圆畸变，会进一步影响衍射图样的几何准确性。这些问题并非单纯的图像质量下降，其造成的系统性误差会直接传递到应变映射、相结构识别和取向分析等下游任务中。现有方法虽然已在py4DSTEM等社区工具中集成了多种传统校准算法，但通常需要针对不同样品、不同数据集进行人工调参，缺乏稳健、通用、可自动部署的一体化解决方案。
针对这一关键难题，研究团队提出了端到端统一预处理框架4D-PreNet。该框架创新性地将射图样去噪、束斑中心校准和几何畸变校正等原本互相分离的多个预处理环节整合到同一流程中，显著降低了对人工经验和复杂调参过程的依赖，并且能够在不同材料体系和实验条件下保持稳定表现，为4D-STEM数据的自动化、标准化处理提供了新的解决方案。
Fig. 1. 用于 4D-STEM 数据预处理的4D-PreNet 的深度学习框架。a) 4D-STEM 数据预处理的端到端三阶段深度学习流程概述。b) 详细工作流程，展示了去噪、中心检测和椭圆校准网络及其中间输出。
为了提升模型的通用性和可靠性，研究团队构建了大规模模拟数据集，系统覆盖多类晶体与非晶材料，并结合多重散射模拟生成了包含噪声、漂移和畸变等复杂因素的训练样本，这使得4D-PreNet能够学习不同材料和不同成像条件下衍射图样的稳定表征规律，从而具备较强的跨材料、跨场景泛化能力。在真实实验数据验证中，该框架已在多种典型材料中展现出良好的自动预处理能力，无需人工调参即可完成从原始数据到校正结果的全流程分析。研究结果表明，4D-PreNet在图样质量提升、中心定位精度和几何校正效果等方面均表现突出，并显示出面向高通量实验和近实时分析场景的应用潜力。该研究为推动晶体取向分析、应变表征和成分解析等任务奠定了更加可靠的数据基础，也为高通量显微技术在企业研发流程中的规模化部署提供了重要参考。
Fig. 2. 使用 4D-PreNet 对实验 4D-STEM 数据进行端到端预处理。a）来自非晶区、晶体区以及混合区域的代表性衍射图样。b）校准前后的束斑中心校准结果，在非晶区、晶体区和混合区域均表现出更好的束斑对准效果。右侧面板显示对应的 X 和 Y 位移图，表明校准后空间漂移明显减小。c）对平均衍射图样进行椭圆校准。平均衍射图样及其极坐标变换后的轮廓均显示衍射环的圆形度得到改善，表明椭圆畸变得到了有效校正。
论文第一作者为溥渊未来技术学院硕士研究生刘铭宇。研究计划依托校企协同机制，聚焦新能源材料复杂显微数据的自动化处理需求，旨在进一步优化统一预处理框架在工业样品环境下的稳定性、适配性与功能拓展。此项产学研深度融合的实践，有力提升了电子显微数据分析方法在工程场景中的应用潜力，并为高通量显微技术在企业研发体系中的推广应用提供了重要参考。
溥渊未来技术学院谢宇俊副教授、储淑芬助理研究员，材料科学与工程学院曾小勤教授，以及浦江国际学院毛子安同学为论文通讯作者。本研究得到了国家自然科学基金项目的资助。
论文链接：
https://doi.org/10.1038/s41524-026-01993-3
学生作者简介
刘铭宇
上海交通大学溥渊未来技术学院24级电子信息专业研究生。研究方向为4D-STEM数据处理与自动化分析。曾获中微未来奖学金（文体实践类）、一等学业奖学金及溥渊励志奖学金，并获得一项软件著作权。
