一个多功能机器学习工作流,用于对支持的金属催化剂颗粒进行高通量分析
Arda Genc1, Justin Marlowe2, Anika Jalil2
1Materials Department, University of California, Santa Barbara, CA, USA.
Ultramicroscopy
|February 27, 2025
概括
我们使用先进的视觉转换器开发了一种用于纳米粒子分析的新型AI工作流. 这种方法准确地描述了显微镜图像中的粒子大小分布,改善了材料科学研究.
科学领域:
- 材料科学与工程 材料科学与工程
- 纳米技术 纳米技术
- 计算科学 计算科学
背景情况:
- 精确的纳米粒子 (NP) 特性,特别是尺寸分布,对于理解结构-属性关系和设计先进材料至关重要.
- 现有的NP分析方法可能耗时,并且可能与催化中常见的复杂,异质样本作斗争.
研究的目的:
- 为高通量纳米粒子分析引入一种新的,双阶段的人工智能 (AI) 驱动的工作流.
- 为了能够准确地描述异质催化剂中的粒子大小分布,使用传输电子显微镜 (TEM) 和扫描TEM (STEM) 图像.
主要方法:
- 利用最先进的单阶段物体检测和大规模视觉变压器 (ViT) 架构与快速工程.
- 将AI工作流应用于各种金属 (Ru, Cu, PtCo, Pt) 和支 (SiO2, γ-Al2O3,碳黑) 的支持金属催化剂NP的TEM/STEM图像.
- 使用F1重叠得分,豪斯多夫距离和强大的豪斯多夫距离指标验证了NP检测和细分.
主要成果:
- 平均F1重叠得分为0.91±0.01,在NP检测和细分方面表现出高准确度.
- 成功描述了从1.6 ± 0.2 nm到9.7 ± 4.6 nm的粒子大小分布,即使是重叠的NP.
- 细分精度通过0.4 ± 0.1 nm和1.4 ± 0.6 nm之间的强大的豪斯多夫距离误差来验证.
结论:
- 人工智能驱动的工作流提供准确,高分辨率和高通量纳米粒子大小分布分析.
- 该方法在各种催化剂系统和NP类型中显示出强大的概括性,而无需重新培训.
- 这种方法促进了有效的NP特征,加速了催化和纳米技术的研发.
更多相关视频
11:49A Continuous-flow Photocatalytic Reactor for the Precisely Controlled Deposition of Metallic Nanoparticles
Published on: April 10, 2019
9.7K
10:23Author Spotlight: A Machine-Vision Approach to Transmission Electron Microscopy Workflows, Results Analysis and Data Management
Published on: June 23, 2023
2.3K
