机器学习技术加快了晶体结构的确定

 
卷积神经网络的内部工作原理图，可计算输入衍射图样属于给定类别(例如Bravais晶格或空间群)的概率。图片来源：加利福尼亚大学圣地亚哥分校的Vecchio实验室/科学纳米工程师开发了一种基于计算机的方法，这种方法可以降低确定各种材料和分子(包括合金，蛋白质和药物)的晶体结构的劳动强度。该方法使用类似于面部识别和自动驾驶汽车中使用的机器学习算法的方法来独立分析电子衍射图，并且这样做的准确性至少为95%。
这项工作发表在1月31日的《科学》杂志上。
加州大学圣地亚哥分校纳米工程教授肯尼斯·韦基奥(Kenneth Vecchio)和他的博士领导的团队。该论文的第一作者学生凯文·考夫曼(Kevin Kaufmann)开发了这种新方法。他们的方法包括使用扫描电子显微镜(SEM)收集电子反向散射衍射(EBSD)模式。与其他电子衍射技术(例如，透射电子显微镜(TEM)中的那些)相比，基于SEM的EBSD可以在大样品上进行并在多个长度范围内进行分析。这提供了映射到厘米刻度的局部亚微米信息。例如，现代的EBSD系统可在样品的一次扫描中确定精细晶粒结构，晶体取向，相对残余应力或应变以及其他信息。
但是，商业EBSD系统的缺点是该软件无法确定所分析材料中存在的晶格的原子结构。这意味着商业软件的用户必须选择最多五个假定存在于样品中的晶体结构，然后该软件尝试查找与衍射图样可能的匹配。衍射图样的复杂性质通常会使软件在用户选择的列表中找到错误的结构匹配。结果，现有软件确定晶格类型的准确性取决于操作员的经验和他们样品的先验知识。
Vecchio团队开发的方法可以自动完成所有操作，因为深度神经网络可以从所有可能的晶格结构类型中独立分析每个衍射图以确定晶格，并具有很高的准确度(大于95%)。
研究人员说，使用类似的自动算法来减少晶体结构鉴定所需的时间，有望使包括药理学，结构生物学和地质学在内的广泛研究领域受益。