Neues Deep‑Learning‑Tool FlowTIE verbessert Phasenrekonstruktion in 4D‑STEM

Ein neues, neuronales Netzwerk namens FlowTIE wurde vorgestellt, das die Transport‑of‑Intensity‑Equation (TIE) mit einer flow‑basierten Darstellung des Phasengradienten kombiniert. Durch diese Kombination verbindet FlowTIE datengesteuertes Lernen mit physikbasierten Vorwissen und erhöht die Zuverlässigkeit bei dynamischen Streuungsbedingungen, insbesondere bei dicken Proben.

Die Autoren haben FlowTIE an simulierten 4D‑STEM‑Datensätzen kristalliner Materialien getestet und die Ergebnisse mit klassischen TIE‑Methoden sowie gradientenbasierten Optimierungsansätzen verglichen. Die Tests zeigen, dass FlowTIE die Genauigkeit der Phasenrekonstruktion deutlich steigert, schneller arbeitet und sich nahtlos in das Multislice‑Modell für dicke Proben integrieren lässt.