科学家将机器学习与层析成像技术结合使用以了解材料界面

通过使用机器学习作为图像处理技术，科学家们可以大大加快迄今为止繁琐的手动寻找和寻找界面的繁琐过程，而不必牺牲准确性。在从电池到半导体的系统中，边缘和界面在确定材料的特性方面起着至关重要的作用。人们驱使科学家研究样品中两个或更多不同成分相遇的位置，以产生更坚固，更节能或更持久的材料。

在能源部(DOE)的阿贡实验室(Argon National Laboratory)的一项新研究中，研究人员提出了一种基于机器学习的新技术，以揭示材料中掩埋的界面和边缘的秘密。通过使用机器学习作为图像处理技术，科学家可以极大地加快迄今为止繁琐的定量查看界面的手动过程，而不必牺牲准确性。

用于生成使用机器学习进行分析的数据的实验技术称为原子探针层析成像，其中研究人员从中挑选出小针状的三维样本。然后从样品中剥离出单个原子。然后进行飞行时间测量和质谱分析，以识别材料中特定原子的起源位置。

“我们的方法是可扩展的，您可以将其置于高性能计算上并使其完全自动化，而无需手动进行操作并查看不同的集中度。在这里，您发送代码并按一个按钮。” —阿贡材料科学家Olle Heinonen

这个过程产生了一个非常大的样品中原子位置的数据集。为了分析此数据集，研究人员将其分为二维切片。然后将每个切片表示为一幅图像，机器学习算法可以在该图像上确定边缘和界面。

在训练识别接口的算法时，由Argonne材料科学家和研究作者Olle Heinonen领导的团队使用了一种非常规方法。Heinonen和他的同事们没有使用可能具有界限不明确的材料库中的图像，而是从猫和狗的图片开始，以帮助机器学习算法学习图像中的边缘。

“在训练算法时，这些形状对我们来说很简单，但对计算机来说却很复杂，这提供了有用的试验依据，” Heinonen说。

然后，Heinonen和他的同事通过汇编一组分子动力学模拟，证明了机器学习算法的准确性。他们使用这些工具制作了合成数据集，其中完全了解了模拟样品的成分。回到机器学习方法，他们能够提取构图，并将其与实际的地面实况进行比较。

以前，尝试从原子探针层析成像数据创建这些类型的浓度分布图的过程涉及劳动强度大的手动过程。通过将机器学习算法与新开发的定量分析软件配对，Heinonen表示，他可以极大地加快对各种材料界面的分析速度。

他说：“我们的方法是可扩展的，您可以将其置于高性能计算上并使其完全自动化，而不必手动进行操作并查看不同的集中度。” “在这里，你把你的代码，并按下一个按钮。”

尽管该技术是为原子探针层析成像技术开发的，但Heinonen解释说，它可以适用于任何类型的层析成像技术，甚至可以不必显示原子位置的X射线层析成像技术。“只要你有 3点d 一些结构信息和接口的数据集，这种技术可能是有用的，”他说。

促成该研究的合作以包括来自数学，人工智能，纳米科学，材料科学和计算机科学等众多不同领域的专家而著称。“我们拉在一起的各种专业知识来解决材料表征一个具有挑战性的问题，”海诺宁说。

“从机器学习的角度来看，我们必须克服的关键挑战是数据匮乏，”另一位研究作者Argonne的计算机科学家Prasanna Balaprakash说。“在一个典型的机器学习设定，对于训练和学习所需要的标记的数据是丰富，但在原子探针断层摄影术，显著的时间和努力，需要进行每个实验和手动识别异浓度表面作为标记的数据。这使我们无法直接应用深度学习方法。”

根据Argonne计算科学家Sandeep Madireddy的说法，研究人员利用转移学习技术(包括使用在自然图像上训练的深度学习模型)来自动识别原子探针层析成像数据中的边缘。

原子探针层析成像是在 西北大学原子探针层析成像中心进行的。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！