在原子分辨率显微镜与图形中探索结构多样性

科学领域:

• 材料科学 材料科学 材料科学
• 人工智能的人工智能
• 计算化学计算化学

背景情况:

• 深度学习 (DL) 模型擅长分析原子分辨率显微镜,但由于固定大小图像补丁限制,难以处理各种原子配置.
• 当前的DL方法在处理复杂的原子结构时缺乏效率和灵活性,例如空位,相位,粒度边界和注.

研究的目的:

• 开发一种使用等价图形神经网络 (EGNN) 来分析多样化的原子结构的新的几次射击学习框架.
• 与图像驱动的DL模型相比,提高分析原子分辨率显微镜的稳定性和计算效率.
• 为了使原子尺度结构特征的定量提取和揭示自组装动态.

主要方法:

• 开发了一个基于等价图形神经网络 (EGNN) 的几次学习框架.
• 应用EGNN框架来分析各种原子结构,包括空位,相位,粒度边界和兴奋剂.
• 将EGNN子模型集成到一个多功能工具包中,用于处理任务链中的各种配置.

主要成果:

• 与图像驱动的DL模型相比,EGNN框架显示了显著增强的稳定性和减少的计算参数 (大小三级).
• 有效地分析了带有灵活格子扭曲的聚合空置线.
• 实现了原子尺度结构特征的定量和直接提取,揭示了在电子束辐射下空隙线的自组装动态.
• 发现了用于进化反应的具有优越电催化性能的新型兴奋剂配置.

结论:

• 基于EGNN的框架为探索原子结构多样性提供了一个强大,快速,准确和智能的工具.
• 这种方法克服了固定尺寸图像补丁DL模型的局限性,使得分析更加灵活和高效.
• 该研究强调了基于图形的深度学习在推进材料科学和发现新功能材料方面的潜力.