Neurale Netze meistern OOD-Generalisierung in HRTEM mit Kontrasttransferfunktionen

Neurale Netzwerke sind in der Wissenschaft einsetzbar, doch ihre Leistung außerhalb der Trainingsdaten bleibt oft fraglich. Ein neues arXiv‑Veröffentlichung beleuchtet genau dieses Problem und liefert einen Weg, die Generalisierung von Netzwerken in der hochauflösenden Transmissionselektronenmikroskopie (HRTEM) systematisch zu messen.

Durch die Nutzung von simulationsbasierten Datensätzen, die aus zufälliger Struktursampling und Multislice‑Simulationen erzeugt wurden, konnten die Forscher mehr als 12.000 Segmentation‑Modelle trainieren und deren Verhalten bei veränderten Bildbedingungen untersuchen. Die synthetischen Daten erlauben einen präzisen Vergleich, weil sie die zugrunde liegenden Verteilungen exakt kontrollieren.

Ein zentrales Element der Studie ist die HRTEM‑Kontrast‑Transfer‑Funktion, die als Messinstrument dient, um die Informationsdichte der Bilddaten zu quantifizieren. Mit diesem Rahmen konnten die Autoren die Verschiebungen zwischen Trainings- und Testbedingungen exakt bestimmen und zeigen, dass die Modelle zwar robust bleiben, aber ihre Genauigkeit gleichmäßig abnimmt, wenn die Bildparameter von der Trainingsverteilung abweichen.

Die Arbeit hebt auch die Grenzen der Methode hervor, insbesondere bei OOD‑Veränderungen, die die atomare Struktur betreffen. Dennoch liefert sie wertvolle Einblicke und legt nahe, dass ergänzende Techniken – etwa Transfer‑Learning oder Datenaugmentation – notwendig sind, um die Generalisierung in solchen Szenarien weiter zu verbessern.