Maskinlæringsteknik fremskynder bestemmelse af krystalstruktur

Nanoingeniører ved University of California San Diego har udviklet en computerbaseret metode, der kan gøre det mindre arbejdskrævende at bestemme krystalstrukturerne af forskellige materialer og molekyler, inklusive legeringer, proteiner og lægemidler. Metoden bruger en maskinlæringsalgoritme, svarende til den type, der bruges i ansigtsgenkendelse og selvkørende biler, at uafhængigt analysere elektrondiffraktionsmønstre, og gør det med mindst 95 % nøjagtighed.

Værket er offentliggjort i nummeret 31. januar af Videnskab .

Et hold ledet af UC San Diego nanoingeniørprofessor Kenneth Vecchio og hans ph.d. studerende Kevin Kaufmann, hvem er avisens første forfatter, udviklet den nye tilgang. Deres metode involverer at bruge et scanning elektronmikroskop (SEM) til at indsamle elektron backscatter diffraction (EBSD) mønstre. Sammenlignet med andre elektrondiffraktionsteknikker, såsom dem i transmissionselektronmikroskopi (TEM), SEM-baseret EBSD kan udføres på store prøver og analyseres i flere længdeskalaer. Dette giver lokal sub-mikron information kortlagt til centimeterskalaer. For eksempel, et moderne EBSD-system muliggør bestemmelse af finskala-kornstrukturer, krystal orienteringer, relativ resterende belastning eller belastning, og anden information i en enkelt scanning af prøven.

Imidlertid, Ulempen ved kommercielle EBSD-systemer er softwarens manglende evne til at bestemme atomstrukturen af ​​de krystallinske gittere, der er til stede i det materiale, der analyseres. Dette betyder, at en bruger af den kommercielle software skal vælge op til fem krystalstrukturer, der formodes at være i prøven, og derefter forsøger softwaren at finde sandsynlige matcher til diffraktionsmønsteret. Den komplekse karakter af diffraktionsmønsteret får ofte softwaren til at finde falske strukturmatches i den brugervalgte liste. Som resultat, nøjagtigheden af ​​den eksisterende softwares bestemmelse af gittertypen afhænger af operatørens erfaring og forudgående viden om deres prøve.

Metoden, som Vecchios team udviklede, gør alt dette selvstændigt, da det dybe neurale netværk uafhængigt analyserer hvert diffraktionsmønster for at bestemme krystalgitteret, ud af alle mulige gitterstrukturtyper, med en høj grad af nøjagtighed (større end 95%).

En bred vifte af forskningsområder, herunder farmakologi, strukturel biologi, og geologi forventes at drage fordel af at bruge lignende automatiserede algoritmer for at reducere den tid, der kræves til krystalstrukturel identifikation, sagde forskere.