Американські вчені розробили і протестували модель машинного навчання для розпізнавання характеристик кристалічної структури зразків (тип решітки Браве і кристалографічну групу) за зображеннями дифракційних картин, отриманих методом дифракції відображених електронів. Обидві з використаних нейромереж виявилися здатними точно (більше 90 відсотків) визначати ці параметри. Результати дослідження опубліковані в журналі.
Кристалічна структура матеріалу сильно впливає на його властивості, тому визначення структури білків, мікро- і макромолекул, фармацевтичних препаратів, нових матеріалів і геологічних об'єктів дуже важливо. Найбільш часто для вирішення складних завдань визначення параметрів решітки, симетрії кристалів і фаз використовують або метод дифракції рентгенівського випромінювання, або дифракції електронів конвергентного пучка.
Одним з більш зручних методів визначення структури кристалічних матеріалів і геологічних об'єктів стає метод дифракції відображених електронів, поєднаний зі скануючим електронним мікроскопом. Він не вимагає такої складної підготовки проб, як методи, що використовують просвічуючий електронний мікроскоп, і дозволяє аналізувати великі області зразка за менший час. Це робить його зручним для вивчення орієнтацій з високою точністю (до двох градусів), роздільною здатністю кутів до двох десятих градуса і просторовою роздільною здатністю близько 40 нанометрів.
Розробка методів автоматизації обробки зображень у дев'яностих роках прискорила аналіз і дозволила використовувати метод для більш складних і трудомістких завдань, проте все одно обробка даних вимагає тимчасових витрат. Часто метод застосовується для визначення фаз та орієнтацій у зразках з кількома фазами. Дослідник вибирає фази, які імовірно є в зразку, і програма шукає найбільш підходящі на експериментально отриманій дифракційній картині. На відміну від мікроскопії або методу рентгенівської дифракції, дифракція відображених електронів дозволяє побачити кілька фаз у просторовій роздільній здатності, проте метод обмежений необхідністю задавати фази, які присутні у зразку, а вони не завжди відомі заздалегідь.
Кевін Кауфманн (Kevin Kaufmann) з колегами з Каліфорнійського університету в Сан-Дієго розробили алгоритм машинного навчання, здатний визначати параметри кристалічної структури зразка (решітку Браве або кристалографічну групу) за дифракційними картинами, отриманими методом дифракції відображених електронів. Автори навчили і протестували дві згорточні нейронні мережі. Шари навчалися в міру знаходження алгоритмом мотивів, які відповідали тій чи іншій кристалографічній симетрії на дифракційній картині.
Навчену модель застосували на різних серіях зразків, на яких вона не навчалася, але які мали ту ж симетрію, і вона з високою точністю визначала їх ґрати Браве і кристалографічну групу. Кожна з двох нейромереж приблизно однаково добре (понад 90 відсотків) класифікувала близько 300 тисяч дифракційних картин. Алгоритму без допомоги користувача вдалося визначити, до якої з 14 решіток Браві належала дифракційна картина.
Для сліпого тестування визначення симетрії кристалів алгоритмами автори зібрали 50 тисяч зображень дифракції відображених електронів дев'яти абсолютно різних матеріалів. Кожна з нейромереж правильно визначила решітки в 93 і 91 відсотків випадків. Базоцентрована моноклінна кристалічна решітка виявилася найважчою для визначення. Нейромережі її часто плутали з примітивною орторомбічною або ромбоедричною, які відрізняються на один елемент симетрії.
Автори продемонстрували можливості алгоритму визначати фази в мультифазному зразку на прикладі кварцу з включеннями рутилу - фази, якої не було в навчальній вибірці. З семи допущених моделлю помилок п'ять було в місцях, в яких стандартним методом визначити симетрію було неможливо.
За словами авторів, метод можна розвинути до можливості визначати повну кристалічну структуру, розробляючи нейромережі під кожен мультифазний зразок або додавши в нього більше даних.
Останнім часом машинне навчання часто застосовують у фундаментальних дослідженнях. Минулої осені фізики розробили модель, яка могла передбачати температуру Кюрі ферромагнетиків на основі даних про його хімічний склад. А іншій групі вчених вдалося за допомогою нейромережі скоригувати параметри синхротрону так, що амплітуда коливань пучка знизилася на порядок.
Більше про системи машинного навчання можна почитати в нашому матеріалі "Абетка ШІ: "Машинне навчання" ".