高通量納米材料發(fā)現(xiàn)的一個(gè)瓶頸是新材料結(jié)構(gòu)表征的速度。盡管目前的機(jī)器學(xué)習(xí)（ML）方法顯示出自動(dòng)處理電子衍射圖案（DP）的前景，但它們?cè)趶木哂须S機(jī)取向的晶體中收集DP仍極具挑戰(zhàn)性。受人類(lèi)決策過(guò)程的啟發(fā)，美國(guó)西北大學(xué)Chen Wei、Chad A. Mirkin開(kāi)發(fā)了一個(gè)從任意方向的DP中自動(dòng)分類(lèi)晶體系統(tǒng)的框架。
本文要點(diǎn)：
1) 作者使用深度學(xué)習(xí)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對(duì)預(yù)測(cè)不確定性進(jìn)行量化和利用，以融合多視角預(yù)測(cè)。通過(guò)DP的矢量圖分析發(fā)現(xiàn)，該框架在所考慮的示例中實(shí)現(xiàn)了0.94的測(cè)試精度。
2) 此外，該框架對(duì)噪聲具有一定穩(wěn)定性，并在實(shí)驗(yàn)數(shù)據(jù)分析中具有顯著的準(zhǔn)確性。該工作強(qiáng)調(diào)了ML用于加速實(shí)驗(yàn)高通量材料數(shù)據(jù)分析的能力。
Jie Chen et.al Automated crystal system identification from electron diffraction patterns using multiview opinion fusion machine learning PNAS 2023
DOI: 10.1073/pnas.2309240120
https://doi.org/10.1073/pnas.2309240120
