卷积神经网络计算：精确识别纳米级有序结构

目前的材料科学家一般通过分析一系列显微照片来研究或描述工程材料的特性，包括从毫米到纳米的复杂微观结构。这些工作通常是由科学家个人手动完成的，有时还需要计算技术的辅助。这些以人为中心的工作流程存在严重的缺点，如对专业要求高、可重复性差、过程耗时长等。以纳米级L12型有序结构为例，该结构被广泛用于面心立方（FCC）合金中，以利用其硬化能力，从而提高机械性能。这些细尺度的颗粒通常与具有相同原子构型、不考虑化学种类的基体完全相干，这使得他们的表征具有挑战性。空间分布图（SDMs）用于通过询问重建原子探针断层扫描（APT）数据内原子的三维（3D）分布来探究局部秩序。然而，手动分析完整的点云（> 1000万个）以寻找数据中保留的部分晶体学信息，几乎是不可能的。

来自德国马普所的Yue Li和Leigh T. Stephenson等提出了一种基于卷积神经网络(CNNs)的策略，利用APT数据自动识别FCC基合金中的纳米级L12型有序结构，具有超高的识别能力。该方法首先生成了模拟L12有序结构的SDMs和FCC矩阵。这些模拟图像结合少量的实验数据，用于训练基于CNN的L12有序结构识别模型。最后，成功应用该方法揭示了FCC Al-Li-Mg体系中平均半径为2.54 nm的L12型δ'-Al3（LiMg）纳米颗粒的3D分布。可检测得纳米域最小半径甚至低至5 Å。所提出的CNN-APT方法很有希望在不久的将来扩展到识别其他纳米级的有序结构，甚至更有挑战性的短程有序现象中。  

原文标题：npj: 卷积神经网络计算—精确识别纳米级有序结构

文章出处：【微信公众号：知社学术圈】欢迎添加关注！文章转载请注明出处。

责任编辑：haq