使用密集连接的神经网络,实时模拟ADF STEM探头位置集成的散射截面,以区域轴方向为单元fcc晶体
I Lobato1, A De Backer1, S Van Aert1
1EMAT, University of Antwerp, Department of Physics, Groenenborgerlaan 171, B-2020 Antwerp, Belgium; NANOlab Center of Excellence, University of Antwerp, Department of Physics, Groenenborgerlaan 171, B-2020 Antwerp, Belgium.
Ultramicroscopy
|June 6, 2023
概括
这项研究引入了一个神经网络,用于实时预测环状暗场扫描传输电子显微镜 (ADF STEM) 探头位置集成散射截面 (PPISCS). 这种机器学习方法与传统模拟相比,大大减少了计算时间.
科学领域:
- 材料科学 材料科学 材料科学
- 计算物理 计算物理
- 电子显微镜电子显微镜
背景情况:
- 量化ADFSTEM图像通常需要探针位置集成散射截面 (PPISCS).
- 预测PPISCS的传统方法涉及计算上昂贵的模拟,每次模拟需要数小时.
- 现有的模拟方法是硬件密集型的,并提供有限的加快并行.
研究的目的:
- 开发一种快速而准确的方法来预测ADFSTEM中的PPISCS.
- 使用机器学习方法实现实时PPISCS预测.
- 为传统的ADFSTEM模拟提供一个计算效率高的替代方案.
主要方法:
- 开发了一个密集连接的神经网络架构.
- 神经网络被训练来根据原子柱厚度预测PPISCS.
- 该模型在各种方向和显微镜参数下对常见的面中心立方 (fcc) 晶体进行了验证.
主要成果:
- 神经网络实现了实时PPISCS预测.
- 该模型在广泛的输入参数中显示出高精度.
- 这种方法在速度方面明显优于传统的模拟方法.
结论:
- 一个参数高效的神经网络可以准确地预测ADF STEM PPISCS实时.
- 这种机器学习方法为耗时的模拟提供了一个可行的,高效的替代方案.
- 开发的工具可以使用ADF STEM加速材料表征.


