机器学习辅助的晶体学重建来自原子探头断层图像的图像
Jie-Ming Pu1, Shuai Chen1,2, Tong-Yi Zhang1,2,3
1Materials Genome Institute, Shanghai University, Shanghai 200444, People's Republic of China.
Journal of physics. Condensed matter : an Institute of Physics journal
|September 30, 2024
概括
这项研究引入了一种新的机器学习方法,使用深度学习模型从原子探头断层扫描 (APT) 数据中重建晶体信息,显著改善纳米级材料分析.
科学领域:
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
- 晶体学 晶体学是指结晶学.
背景情况:
- 原子探头断层扫描 (APT) 提供3D原子尺度组合分析,但难以准确的晶体学重建.
- 从APT数据中恢复精确的晶体信息仍然是一个重大挑战,因为该技术固有的局限性.
研究的目的:
- 开发和验证一种新的计算方法,用于从APT数据中重建晶体信息.
- 利用深度学习来利用APT对纳米级材料进行增强分析.
主要方法:
- 一个经过修改的前向模拟过程产生了大量的Al单晶数据集 (100,000张图像).
- 三种深度学习模型 - - 卷积神经网络 (CNN),视觉转换器 (ViT) 和变化自编码器 (VAE) - - 被训练用于晶体重建.
- 视觉变压器 (ViT) 模型在恢复晶体方向方面表现出卓越的性能.
主要成果:
- ViT模型在恢复晶体学定向方面取得了高精度,其中旋转角 φ, ψ 和 θ 的 R2 值分别为 0.93,0.97 和 0.93.
- 平均百分比误差 (MPE) 在 ψ 角度仅为 0.35%,表明精确的方向恢复.
- 这项研究验证了深度学习在从APT中提取详细的晶体学数据方面的有效性.
结论:
- 深度学习模型,特别是ViT,可以有效地从APT数据中恢复晶体信息.
- 这种方法克服了APT数据分析的先前局限性,使得纳米级材料的表征更加精确.
- 这些发现为原子探头断层扫描中先进的人工智能应用铺平了道路.
