机器学习用于超快电子衍射的实验设计
Mohammad Shaaban1, Sami El-Borgi2, Aravind Krishnamoorthy3
1Department of Mechanical Engineering, Texas A & M University, College Station, USA.
机器学习可以实时分析超快电子衍射 (UED) 数据,从而更快地了解材料动态和损坏. 这加速了新材料的发现,并优化了科学研究的实验条件.
科学领域:
- 材料科学 材料科学 材料科学
- 物理化学 物理化学
- 数据科学数据科学数据科学
背景情况:
- 超快电子衍射 (UED) 提供了对超快材料行为的洞察力.
- 对大型UED数据集的手动分析耗时,并限制实时实验控制.
- 缺乏实时数据阻碍了实验参数的现场调整和避免样本损坏.
研究的目的:
- 开发和演示用于实时分析UED数据的机器学习方法.
- 允许在UED实验期间现场监测和控制材料动态.
- 用UED加速发现和优化材料属性.
主要方法:
- 卷积神经网络 (CNN) 在合成和实验衍射模式上受过训练.
- CNNs被用于实时分析,以解决动态过程并识别物质损失.
- 卷积变异自编码器 (CVAEs) 开发用于追踪潜伏空间中的结构相变.
主要成果:
- 使用CNNs实现了UED数据的实时分析.
- 在代表性材料中确定了动态过程和物质损害.
- 通过UED图像时间轨迹,CVAE模型成功地跟踪了结构相变.
- 实验参数被实时引导到所需的相位转换.
结论:
- 机器学习,特别是CNN和CVAE,可以对UED数据进行实时分析.
- 这种方法可以实现自我纠正的衍射实验,以优化大规模的用户设施.
- 实时数据分析有助于对材料动态和实验结果进行现场控制.
更多相关视频
08:44Measurements of Long-range Electronic Correlations During Femtosecond Diffraction Experiments Performed on Nanocrystals of Buckminsterfullerene
Published on: August 22, 2017
08:31Sample Preparation and Experimental Design for In Situ Multi-Beam Transmission Electron Microscopy Irradiation Experiments
Published on: June 27, 2022
相关概念视频
Atomic Emission Spectroscopy: Instrumentation
Inductively Coupled Plasma Atomic Emission Spectroscopy: Instrumentation
There are three main types of inductively coupled plasma atomic emission spectroscopy (ICP-AES) instruments: sequential, simultaneous multichannel, and Fourier transform instruments, with the latter being less commonly used.
Atomic Emission Spectroscopy: Lab
Electronic Distance Measuring Instruments
