神经网络用于快速定量文化遗产的X射线粉末衍射数据
Victor Poline1, Ravi Raj Purohit Purushottam Raj Purohit2, Pierre Bordet1
1Univ. Grenoble Alpes, CNRS, Grenoble INP, Institut Néel, 38000 Grenoble, France.
概括
密集的神经网络 (DNN) 通过预测像素中的相位分数来有效处理X射线衍射计算断层扫描 (XRD-CT) 数据. 这种快速方法可以准确地绘制复杂样本中的相位,性能优于传统技术.
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.
- 数据科学数据科学数据科学
背景情况:
- 现代同步仪设备产生大量的数据,需要先进的处理方法.
- 射线衍射计算断层扫描 (XRD-CT) 产生复杂的数据集,需要高效的分析来确定相位.
研究的目的:
- 介绍密集神经网络 (DNN) 处理XRD-CT数据的应用.
- 通过预测像素相位相位分数,准确地绘制断层断层中的材料相位图.
- 提高XRD-CT数据分析的速度和效率.
主要方法:
- 开发一个Python算法来生成模拟的X射线衍射 (XRD) 模式用于DNN训练.
- 利用瑞特维尔德对总和模式的改进来告知模拟模式生成.
- 通过网格搜索优化DNN架构,确定单个密集层足够.
主要成果:
- DNN 准确地预测了模拟和历史"应用花"样本中的相位比例.
- 由DNN生成的相位图显示了与非负矩阵因子化和连续瑞特维尔德改进的良好一致.
- 在速度和效率方面,DNN方法显著优于现有的技术.
结论:
- 密集的神经网络为XRD-CT中的相位映射提供了快速而准确的解决方案.
- 开发的DNN方法对于分析异质,多层材料是有效的.
- 这种方法在高效处理大规模XRD-CT数据集方面取得了重大进展.


