从电子衍射图案中自动识别晶体系统,使用多视图观点融合机器学习
Jie Chen1, Hengrui Zhang1, Carolin B Wahl2,3
1Department of Mechanical Engineering, Northwestern University, Evanston, IL 60208.
概括
这项研究引入了一个新的机器学习框架,用于根据电子衍射模式对晶体结构进行分类,即使是随机定向. 这通过在高通量实验中自动化结构特征来加速纳米材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 晶体学 晶体学是指结晶学.
- 机器学习 机器学习
背景情况:
- 高通量纳米材料的发现受到缓慢的结构特征的阻碍.
- 目前的机器学习方法与随机定向晶体的电子衍射模式作斗争.
研究的目的:
- 开发一个自动化框架,从任意方向的电子衍射模式来对晶体系统进行分类.
- 提高纳米材料发现中的结构特征的速度和准确性.
主要方法:
- 开发了一个灵感来自人类决策的框架,用于自动化晶体系统分类.
- 使用证据深度学习训练了一个卷积神经网络.
- 量化和利用预测不确定性来融合多视图预测,使用射模式的矢量地图表示.
主要成果:
- 在所考虑的示例中达到0.94的测试准确性.
- 在衍射模式中表现出对噪声的强度.
- 与实验数据保持了显著的准确性.
结论:
- 机器学习可以显著加速实验性高通量材料数据分析.
- 开发的框架为自动化晶体结构分类提供了强大的解决方案.
- 这种方法解决了纳米材料发现的一个关键瓶.
