在机器学习的帮助下,从AFM图像中识别界面离子酸盐的原子结构
Binze Tang1,2, Yizhi Song1,2, Mian Qin2
1International Center for Quantum Materials, Peking University, Beijing100871, China.
National science review
|June 2, 2023
概括
机器学习精确地从原子力显微镜 (AFM) 图像中识别了界面离子水合物的原子结构. 转移学习使成本有效的结构预测成为可能,从而推进复杂系统分析.
科学领域:
- 表面科学是一门学科.
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 接口离子酸盐在各种自然和应用领域至关重要.
- 超高分辨率原子力显微镜 (AFM) 广泛用于研究这些系统.
- 由于信号的复杂性,解释AFM数据以确定原子结构仍然具有挑战性.
研究的目的:
- 开发一种机器学习方法,使用AFM图像精确识别界面离子酸盐的原子结构.
- 通过转移学习实现离子酸盐的成本效益结构预测.
- 为分析复杂的接口系统提供有效的方法.
主要方法:
- 利用机器学习算法来分析AFM图像.
- 在接口水数据上训练的应用深度神经网络.
- 雇员转移学习用于对离子酸盐的结构预测.
主要成果:
- 在界面离子水合物中精确识别了原子位置和水分子方向.
- 通过转移学习证明了对离子酸盐的成本效益结构预测.
- 验证了开发方法的效率和经济性.
结论:
- 机器学习提供了一种强大的工具,用于从AFM数据中进行原子级结构确定.
- 转移学习显著降低了对离子水合物结构预测的成本和精力.
- 这项工作为分析界面科学中复杂的实验数据建立了新的范式.
