机器学习辅助关闭式 X 射线衍射相变金属识别
本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型,该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群,并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题,经过测试,该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。
Nov, 2018
本研究展示了多任务学习(MTL)架构的深度学习在高度扭曲的微 X 射线衍射模式分析中的潜力,通过训练 MTL 模型识别微 X 射线衍射模式中的相位信息,减少对实验数据标记和预处理的需求,展示了 MTL 模型在准确性上优于二进制分类卷积神经网络,并通过引入定制的交叉熵损失函数改善了 MTL 模型的性能。最重要的是,针对原始和未掩盖的 XRD 模式进行优化的 MTL 模型可以实现接近对预处理数据进行分析的模型的性能,准确性差异很小。这项工作表明,像 MTL 这样的高级深度学习架构可以自动化繁琐的数据处理任务,简化扭曲 XRD 模式的分析,并减少对劳动密集型实验数据集的依赖。
Mar, 2024
高能 X 射线衍射方法可非破坏性地对金属多晶工程材料的 3D 微结构和相关属性进行映射,而本研究提出的全自动技术可迅速检测高能 X 射线显微镜数据中塑性的发生,为驱动智能多模态 X 射线衍射方法的实验提供及时可行信息。
Dec, 2023
结晶位移提供了一种高效的算法,利用对称约束伪交效优化,最佳优先搜索,贝叶斯模型比较等方法,无需阶段空间信息或训练即可估计相位组合的概率,并提供材料结构参数的定量洞察,最终加速材料识别和发现。
Aug, 2023
这篇研究论文介绍了在凝聚态物理学中,弥合扩散 X 射线或中子散射测量与基于原子对势的预测结构之间的差距的挑战,并探讨了机器学习在解决这一问题上的应用,结果表明这一新的模型在跨越传统类经典原子间势的限制上具有潜力。
Mar, 2024
利用机器学习技术预测高熵合金的相和晶体结构,采用相关系数选择高预测准确度的特征,并使用五种不同的提升算法提供了改进相和晶体结构预测精确度的指南。其中,XGBoost 对相的预测准确度达到 94.05%,LightGBM 对晶体结构的预测准确度达到 90.07%,并对模型准确度受参数影响的量化及单个参数在相和晶体结构预测过程中的贡献提出了新方法。
Sep, 2023
本文提出了一种针对粉末衍射数据分析的相同定量分析方法,使用固定点迭代算法进行带标签训练样本的单物相光谱估计,并使用相同算法确定最佳近似未知样本光谱的单物相光谱加权组合,以计算样本相对重量分数,与其他传统机器学习算法进行对比。
Oct, 2022
应用机器学习技术对 X 射线散射实验进行自动解释和实时数据分析,并将机器学习与封闭式回路工作流程相结合,以生长有机薄膜为例,采用 X 射线反射测量进行自动控制。
Jun, 2023