通过深度学习加速多相混合物的相识别

晶体材料由排列成有序三维结构的原子、离子或分子组成。它们广泛用于半导体、制药、光伏和催化剂的开发。随着科学家设计新颖的材料来解决与能量存储、碳捕获和先进电子学相关的新挑战，属于晶体材料类别的结构类型不断扩大。

然而，此类材料的开发需要精确的方法来识别它们。目前，粉末X射线衍射被广泛用于此目的。它通过检查粉末样品的散射 X 射线来识别晶体材料的结构。然而，当处理包含具有不同结构、取向或成分的不同类型晶体的多相样品时，识别任务变得相当复杂。在这种情况下，对样品中存在的各个相的准确识别依赖于科学家的专业知识，使得该过程非常耗时。为了加快这一过程，创新的数据驱动方法(例如机器学习)已用于区分多相样本中的各个相。尽管在利用它们收集已知相的信息方面已经取得了实质性进展，但多相样品中未知相的识别仍然是一个挑战。

然而现在，研究人员提出了一种新的机器学习“二元分类器”模型，可以识别二十面体准晶(i-QC)相的存在，这是一种在衍射图案中具有自相似性的长程有序固体。多相粉末X射线衍射图。这项研究由东京理科大学 (TUS)、防卫学院、国家材料科学研究所、东北大学和统计数学研究所合作完成。该研究由日本启蒙大学的初级副教授 Tsunetomo Yamada 领导，并于 2023 年 11 月 14 日发表在《Advanced Science》杂志上。

“世界各地的研究人员都在尝试利用人工智能和机器学习来预测新物质。然而，确定是否产生了所需的物质需要人类专家大量的时间和精力。因此，我们提出了利用深度学习来识别新阶段的想法，”山田博士解释道。

为了开发该模型，研究人员首先使用 80 种卷积神经网络创建了一个“二元分类器”。接下来，他们使用合成多相 X 射线衍射图案训练分类器模型，这些图案被设计为与 i-QC 阶段相关的预期图案的表示。训练阶段之后，使用合成模式和实际模式数据库评估模型的性能。

非常有趣的是，该模型的预测准确率超过了 92%。当用于筛选六种不同合金系统中未知材料的 440 个测量衍射图案时，它还成功识别了多相 Al-Si-Ru 合金中的未知 i-QC 相。使用透射电子显微镜分析材料的微观结构和成分，进一步证实了未知 i-QC 相的存在。

值得注意的是，所提出的深度学习方法能够识别 i-QC 相，即使它不是混合物中最重要的成分。此外，该模型可用于识别新的十边形和十二边形QC，并且还可以扩展到各种类型的其他晶体材料。

“利用所提出的模型，我们能够高精度检测多相样品中存在的未知准晶相。因此，这种深度学习模型的准确性表明有可能加速多相样本的物相识别过程。” Yamada 博士乐观地总结道。此外，山田博士和他的团队有信心该模型将带来材料科学领域的突破。

总之，这项研究在识别介孔二氧化硅、矿物、合金和液晶等材料中常见的准晶体全新相方面迈出了重要一步。

我们当然希望这个模型能够为未来发现有趣的新材料开辟途径!

标签：

免责声明：本文为转载，非本网原创内容，不代表本网观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。