8月21日消息，俄勒冈大学Newsha Javanmardi、Christopher T. Nelson，联合乌克兰国家科学院半导体物理研究所的Anna N. Morozovska、Eugene A. Eliseev，马里兰大学Ichiro Takeuchi与Sergei V. Kalinin，于8月20日在arXiv发布预印本，开发出原子分辨扫描透射电子显微镜（STEM）数据的"潜在场重建"（latent-field reconstruction）分析方法，并将其应用于钐（Sm）掺杂BiFeO3铁电体的成分驱动相演变研究。

铁电材料的功能——极化开关、压电响应、相界活性——由极化、应变、晶格旋转与结构序参量的空间组织与耦合决定，而这些信息正藏于原子分辨STEM图像之中。传统定量分析路径依赖"先定位原子列、再把拟合坐标转换为局部结构描述符"，流程长、误差累积，且对掺杂引入的局域结构无序敏感。

新方法转而采用场表示：不逐一追踪原子列，而是从图像数据直接重建连续的物理场分布，进而捕捉Sm掺杂浓度变化如何驱动BiFeO3的结构相变路径。对于BiFeO3这类在多铁与无铅压电领域应用前景广泛的体系，掺杂是调节相稳定性与功能响应的核心手段；潜在场框架把"成分-局域结构-宏观功能"的因果链落到可量化的图像证据上。

该方法的普适性价值在于：同一框架可推广至其他掺杂铁电体、功能氧化物的STEM数据分析，把透射电镜从"看结构"推进到"测场量"的定量层面，为材料基因组式的成分筛选提供高分辨率表征支撑。 （来源：arXiv）