机器学习支持的图像分类用于自动化电子显微镜
Alexandra L Day1, Carolin B Wahl2,3, Vishu Gupta1
1Department of Electrical and Computer Engineering, McCormick School of Engineering, Northwestern University, Technological Institute, 2145 Sheridan Road, Room L359, Evanston, IL 60208, USA.
本研究介绍了一种机器学习 (ML) 模型,用于从图像中快速分类纳米粒子. 由人工智能驱动的方法通过最小化错误和加快新材料的识别,显著改善了材料的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 人工智能的人工智能
背景情况:
- 传统的材料发现依赖于直觉,缺乏系统的设计.
- 大数据和计算能力的进步使人工智能和机器学习能够加速材料发现.
- 组合型大图书馆需要纳米粒子分析的自动化表征工具.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于实时对纳米粒子图像进行二进制分类.
- 为了最大限度地减少纳米粒子分类中的假阳性,减少下游处理错误.
- 解决材料发现的ML模型开发中的计算挑战.
主要方法:
- 开发一种专门的ML模型,用于对灰度大角度环状暗场图像进行二进制分类.
- 实施策略来管理记忆限制和优化训练时间.
- 神经架构的利用 搜索模型优化工具.
主要成果:
- 在ML模型实现超过95%的精度.
- 该模型显示,在测试数据上,加权F分数超过了90%.
- 开发的模型有效地实时分类纳米粒子.
结论:
- 人工智能和机器学习显著加速了新材料的发现.
- 开发的ML模型代表了应用人工智能到材料发现中的重大进步.
- 该模型的高精度和有效性解决了自动化材料表征的关键需求.
更多相关视频
10:23Author Spotlight: A Machine-Vision Approach to Transmission Electron Microscopy Workflows, Results Analysis and Data Management
Published on: June 23, 2023
07:56User-friendly, High-throughput, and Fully Automated Data Acquisition Software for Single-particle Cryo-electron Microscopy
Published on: July 29, 2021
相关概念视频
Overview of Electron Microscopy
Immunogold Electron Microscopy
Scanning Electron Microscopy
Fundamental Principles
Accelerated...
Overview of Microscopy Techniques
