晶体的形成过程极为复杂，其物理性质的动态变化对最终的晶体结构与性能起着决定性作用。当前，诸如X射线衍射和红外光谱等常规晶体表征技术，主要侧重于提供传统的振幅信息，然而这种局限性极大地阻碍了对晶体生长机制的深入理解与阐释。相比之下，红外数字全息术作为一种新兴技术，能够提供更为丰富的晶体性质数据，因此在晶体生长研究以及材料性质分析领域正发挥着不可或缺的关键作用。不过，该技术的核心难点在于相位解包裹过程，传统的解包裹方法，例如路径跟踪算法和最小范数策略，常常面临路径不连续性以及易受噪声干扰等问题，这些问题严重影响了数据的准确性与可靠性。综上所述，开发一种能够实时、高分辨率监测晶体生长过程中物理性质变化的新型表征方法已成为该领域的迫切需求。
针对上述问题，中国地质大学（北京）数理学院黄昊翀教授课题组利用基于注意力残差深度学习网络红外数字全息技术，为人们普遍认知的“晶相”提供了非传统的机理阐释，给深入理解晶体生长机制以及推动材料科学发展提供了新路径。研究结果表明，此技术不仅能够有效抑制环境检测噪声和孪生图像干扰，而且发现在传统幅度信号趋于稳定后，相位值仍会发生显著的变化。该成果发表在中科院TOP期刊Journal of Materials Chemistry A上（IF：10.8）。
该论文的主要工作可以分为以下几个部分：
1.基于短波红外的数字全息技术：在硬件构造上采用垂直无透镜同轴数字全息系统，该系统能够对静态与动态的晶体样品展开观察。在光源选用方面，该技术采用短波红外1550nm波段的激光器。
2.基于注意力机制的深度学习算法相位解包裹:提出了BSRU-Net（Bilinear Interpolation and Squeeze-and-Excitation Attention Mechanism Residual）算法以实现相位解包裹。主要优势是采用了残差连接捕获特征，并将SE注意力机制纳入网络中，以全面获取微小相位差，从而提高精度和鲁棒性。同时，在上采样过程中，使用双线性插值方法代替传统的转置卷积，以解决可能会出现的棋盘格效应问题，该问题会破坏对相位解包裹任务至关重要的空间连续性和准确性。此外，在高分辨率相位解包裹任务中，线性加权计算方式在一定程度上减轻模型的数值负担，提高运行效率。
3.模型性能验证：采用不同复杂度的仿真字母相位型数据集进行泛化实验，其中结构相似性指数、解缠精度以及均方误差指标的平均值分别优于本文提到的其他方法，彰显了模型的泛化性能。此外，消融实验显示参数减少了8.00%，MSE减少了71.52%，证实了网络结构的高适应性。研究还与几种经典的去噪算法进行了比较，展示了BSRU-Net的竞争力。模型还进行不同强度的抗噪测试，展示了其抗噪性能。
4.精度测量及实时监测晶体生长的应用：采用BSRU-Net对静态目标厚度进行测量，同时，监测碱矿晶体和 CsPbBr₃ 钙钛矿材料晶体生长过程中的微观结构演变。
Fig. 1短波红外数字全息系统和BSRU-Net模型。硬件系统原理图(右上)，相位解包裹方法流程图(中上)，BSRU-Net模型结构(中下)
https://doi.org/10.1039/D4TA07450E
