機械学習は、結晶学者がBravais格子を認識するのに役立ちました

ビデオ: 機械学習は、結晶学者がBravais格子を認識するのに役立ちました

ビデオ: Sphinxで超簡単にドキュメント作成をしよう! | Python活用シリーズ 2022, 12月
機械学習は、結晶学者がBravais格子を認識するのに役立ちました
機械学習は、結晶学者がBravais格子を認識するのに役立ちました
Anonim
Image
Image

ニューラルネットワークがトレーニングされた反射電子の回折の画像

アメリカの科学者たちは、反射電子の回折によって得られた回折パターンの画像から、サンプルの結晶構造の特性(ブラベ格子型と結晶群)を認識するための機械学習モデルを開発し、テストしました。使用された両方のニューラルネットワークは、これらのパラメーターを正確に(90%以上)決定することができました。研究結果はジャーナルScienceに掲載されています。

材料の結晶構造はその特性に大きく影響するため、タンパク質、高分子、高分子、医薬品、新素材、地質学的オブジェクトの構造を決定することは非常に重要です。ほとんどの場合、格子定数、結晶と相の対称性を決定する複雑な問題を解決するために、X線回折法または収束ビームの電子回折のいずれかが使用されます。

結晶性物質や地質学的物体の構造を決定するためのより便利な方法の1つは、走査型電子顕微鏡と組み合わせた反射電子の回折法です。透過型電子顕微鏡を使用する方法ほど複雑なサンプル前処理を必要とせず、サンプルの広い領域を短時間で分析できます。これにより、高精度(最大2度)、最大2/10度の角度分解能、および約40ナノメートルの空間分解能で方向を研究するのに便利です。

90年代の画像処理を自動化する方法の開発は分析を加速し、より複雑で時間のかかるタスクにこの方法を使用することを可能にしましたが、データ処理は依然として時間のかかるものです。この方法は、複数のフェーズを持つサンプルのフェーズと方向を決定するためによく使用されます。研究者はサンプルに含まれると思われる相を選択し、プログラムは実験的に得られた回折パターンで最も適切な相を探します。透過型顕微鏡法やX線回折とは異なり、電子後方散乱回折では空間分解能でいくつかの相を見ることができますが、この方法はサンプルに存在する相を指定する必要性によって制限され、常に事前にわかっているわけではありません。

カリフォルニア大学サンディエゴ校のKevinKaufmannらは、反射電子回折によって得られた回折パターンからサンプル(Bravais格子または結晶点群)の結晶構造のパラメーターを決定できる機械学習アルゴリズムを開発しました。著者は、2つの畳み込みニューラルネットワークをトレーニングしてテストしました。アルゴリズムが回折パターンの1つまたは別の結晶学的対称性に対応する動機を見つけたときに、層が訓練されました。

Image
Image

畳み込みニューラルネットワークを使用して結晶群とBravais格子を認識するためのスキーム

訓練されたモデルは、彼女が訓練されていないが同じ対称性を持っているさまざまな一連のサンプルに適用され、それらのブラベ格子と結晶群を高精度で決定しました。 2つのニューラルネットワークはそれぞれ、約300,000の回折パターンをほぼ同等に分類しました(90%以上)。アルゴリズムは、ユーザーの助けを借りずに、回折パターンが14個のBravais格子のどれに属しているかを判断することができました。

アルゴリズムによる結晶対称性の決定を盲目的にテストするために、著者は、9つの完全に異なる材料からの反射電子の回折の5万枚の画像を収集しました。各ニューラルネットワークは、93%と91%のケースでグリッドを正しく識別しました。塩基中心の単斜晶系結晶格子は、決定するのが最も難しいことが判明しました。その神経回路網は、1つの対称要素が異なる原始的な斜方晶または菱面体晶と混同されることがよくありました。

Image
Image

ネットワークがトレーニングされていないサンプルのBravais格子タイプのニューラルネットワークによる認識。正しく定義されたラティスに対応するセルは青色で塗りつぶされます

著者らは、ルチル含有物を含む石英の例を使用して、多相サンプルの相を決定するアルゴリズムの機能を実証しました。これは、トレーニングサンプルには含まれていなかった相です。モデルによって発生した7つのエラーのうち、5つは、標準的な方法では対称性を判断できない場所にありました。

著者によると、この方法は、各多相サンプルのニューラルネットワークを開発するか、それにデータを追加することによって、完全な結晶構造を決定する機能に発展させることができます。

最近、基礎研究では機械学習がよく使われています。昨年の秋、物理学者は、強磁性体の化学組成に関するデータに基づいて、強磁性体のキュリー温度を予測できるモデルを開発しました。そして、別の科学者グループは、ニューラルネットワークを使用してシンクロトロンパラメータを修正し、ビーム振動の振幅が1桁減少するようにしました。

機械学習システムの詳細については、資料「AI ABC:機械学習」をご覧ください。

トピックによって人気があります

人気の投稿