Day 2 - Conventional and Smart Acquisition of 4D STEM - Houston

Day 2 - Conventional and Smart Acquisition of 4D STEM - Houston

par Machine Learning in the Nanoworld

Sciences appliquées & ingénierie Sciences — Généralités & Histoire PDNEquipement scientifique, expériences et techniquesPDNDMicroscopie
🎙 Machine Learning in the Nanoworld 👥 1K 📅 18 juillet 2026 ⏱ 41 min 👁 30 📄 cours magistral 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

4D-STEMscan rasteréchantillonnage adaptatifcompressed sensingdeep kernel learning

Résumé

Cette conférence, donnée dans le cadre d’une école d’été, aborde les méthodes d’acquisition en microscopie électronique à transmission à balayage 4D (4D-STEM). L’orateur commence par rappeler le principe du balayage raster conventionnel, hérité des tubes cathodiques, et ses limitations en termes de dose et de temps. Il explore ensuite des alternatives comme les balayages en serpentin, en spirale ou les courbes de Hilbert, mais souligne leurs difficultés de mise en œuvre et leurs distorsions. La partie principale est consacrée à l’échantillonnage adaptatif, où l’on décide dynamiquement où mesurer en fonction des données déjà acquises. Une méthode présentée est le deep kernel learning (DKL), qui combine un réseau de neurones pour encoder les images et un processus gaussien pour prédire les propriétés et l’incertitude, guidant ainsi les prochaines mesures. Des exemples sur des échantillons de graphène et sur un microscope en direct illustrent la convergence rapide de la prédiction et de l’incertitude. Enfin, l’orateur introduit un notebook interactif sur le compressed sensing, avec des algorithmes de reconstruction (plus proche voisin, DCT, variation totale) et différentes fonctions de perte (L1, L2, Huber), appliqués à des images de l’Université du Tennessee. L’objectif est de montrer comment reconstruire une image à partir d’un échantillonnage partiel et de préparer les participants au hackathon de l’après-midi.

210 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’orateur fournit une vue d’ensemble claire des méthodes d’acquisition en 4D-STEM, en les reliant aux défis pratiques et aux solutions algorithmiques. L’argumentation est solide, appuyée par des exemples concrets (graphène, nanoparticules d’or) et des références à des travaux publiés. La démonstration pratique du notebook renforce la crédibilité et permet de comprendre les concepts de manière appliquée. L’orateur explique les compromis entre différentes approches et met en garde contre les pièges, ce qui montre une approche critique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’orateur cite des travaux de recherche (par exemple, ceux de Sergey Kalinin et Kevin Roccapriore) et s’appuie sur des principes mathématiques bien établis (compressed sensing, deep kernel learning). Les sources mentionnées sont pertinentes et récentes. L’adéquation entre le titre et le contenu est parfaite : le titre annonce exactement ce qui est traité. Aucune séquence publicitaire n’est présente.

162 mots

Adéquation titre / contenu

Le titre est fidèle au contenu : il annonce une présentation des méthodes d'acquisition conventionnelles et intelligentes en 4D-STEM, ce qui est exactement ce qui est traité.

Qualité & fiabilité

8/10

Le contenu est présenté par un expert du domaine, s'appuie sur des travaux publiés et des exemples concrets, et inclut une démonstration pratique. Les informations sont cohérentes avec l'état de l'art en microscopie électronique et en apprentissage automatique.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Article sur le deep kernel learning pour l'acquisition adaptative en STEM — L'orateur mentionne un article avec Sergey Kalinin et Kevin Roccapriore sur l'utilisation du DKL pour l'acquisition adaptative.

Sources concordantes

  • Article sur l'acquisition adaptative en microscopie électronique — L'orateur s'appuie sur cet article pour illustrer l'application du DKL.

Apport & nouveautés

L’apport principal de cette présentation est de montrer comment l’acquisition intelligente en 4D-STEM peut réduire la dose et le temps d’acquisition tout en conservant une qualité d’information suffisante. L’orateur présente le deep kernel learning comme une méthode prometteuse pour guider les mesures en temps réel, et il fournit un notebook pratique pour expérimenter avec le compressed sensing. Cette approche pédagogique est originale et utile pour les chercheurs.

Pour aller plus loin :

  • Compressed sensing — Concept fondamental pour comprendre les méthodes de reconstruction à partir d’échantillonnage partiel.
  • Processus gaussien — Base mathématique du deep kernel learning.
  • Deep kernel learning — Article fondateur sur la combinaison de réseaux de neurones et de processus gaussiens.

113 mots

Profil radar

Le profil radar montre une performance équilibrée sur tous les axes, avec une légère prédominance de la quantité d'information et du niveau technique, reflétant un contenu dense et spécialisé. La fiabilité est également bien notée, grâce à l'appui sur des sources scientifiques.

Fiabilité 8/10

💬 Sur les 0 commentaires analysés, aucune tendance n'est disponible.