一个语神经网络框架用于玻璃过渡识别

科学领域:

• 材料科学 材料科学 材料科学
• 凝聚物质物理学 凝聚物质物理学
• 人工智能的人工智能

背景情况:

• 液晶表现出复杂的相变,通常涉及分子排序的微妙变化.
• 由于类似的微观纹理,区分液晶相和相应的玻璃状状态可能具有挑战性.
• 极化显微镜是可视化这些纹理和识别相位行为的关键技术.

研究的目的:

• 应用深度学习技术,特别是罗神经网络,用于分析液晶中的相变.
• 调查罗神经网络在分辨微妙转换方面的能力,例如液晶相和它们的玻璃之间.
• 详细介绍使用各种卷积神经网络架构实现和测试一个语神经网络.

主要方法:

• 利用一个罗神经网络,一个深度学习架构,旨在比较图像对.
• 采用液晶的极化微观纹理,包括抗铁电性C_A*,性I,性G相及其玻璃.
• 用三个不同的卷积神经网络模型测试了语神经网络实现.

主要成果:

• 西安神经网络在区分特定液晶相和其玻璃相之间的纹理方面表现出很高的能力.
• 该网络成功地发现了微妙的阶段过渡,传统的结构变化最小.
• 在不同卷积神经网络架构中评估了性能,这些架构集成到语框架中.

结论:

• 罗神经网络提供了一种强大而有效的工具,用于分析基于微观纹理分析的液晶中的微妙相变.
• 这种深度学习方法提供了一个强大的方法来区分不同的阶段和它们的玻璃状态,即使具有视觉上相似的纹理.
• 这项研究强调了人工智能在促进理解和描述液晶等复杂材料方面的潜力.