[論文レビュー] AtomAI: A Deep Learning Framework for Analysis of Image and Spectroscopy Data in (Scanning) Transmission Electron Microscopy and Beyond

Maxim Ziatdinov, Ayana Ghosh+2 more|arXiv (Cornell University)|May 16, 2021

Electron and X-Ray Spectroscopy Techniques参考文献 3被引用数 12

ひとこと要約

AtomAI は、(S)TEM 画像および分光データの分析を目的とした、機器固有のライブラリ、ディープラーニング、シミュレーションツールを統合したオープンソースのディープラーニングフレームワークです。原子スケールの画像セグメンテーション、不変変分オートエンコーダー（VAE）による分離表現学習、エンコーダ・デコーダモデルを用いた構造-性質マッピングを可能にし、第一原理計算とシームレスに統合されています。

ABSTRACT

AtomAI is an open-source software package bridging instrument-specific Python libraries, deep learning, and simulation tools into a single ecosystem. AtomAI allows direct applications of the deep convolutional neural networks for atomic and mesoscopic image segmentation converting image and spectroscopy data into class-based local descriptors for downstream tasks such as statistical and graph analysis. For atomically-resolved imaging data, the output is types and positions of atomic species, with an option for subsequent refinement. AtomAI further allows the implementation of a broad range of image and spectrum analysis functions, including invariant variational autoencoders (VAEs). The latter consists of VAEs with rotational and (optionally) translational invariance for unsupervised and class-conditioned disentanglement of categorical and continuous data representations. In addition, AtomAI provides utilities for mapping structure-property relationships via im2spec and spec2im type of encoder-decoder models. Finally, AtomAI allows seamless connection to the first principles modeling with a Python interface, including molecular dynamics and density functional theory calculations on the inferred atomic position. While the majority of applications to date were based on atomically resolved electron microscopy, the flexibility of AtomAI allows straightforward extension towards the analysis of mesoscopic imaging data once the labels and feature identification workflows are established/available. The source code and example notebooks are available at https://github.com/pycroscopy/atomai.

研究の動機と目的

• 機器固有のデータパイプライン、ディープラーニング、シミュレーションツールを統合し、材料の特性評価を統合的エコシステムとして実現すること。
• ディープコンvolutionニューラルネットワークを用いて、(S)TEM 画像および分光データにおける原子的およびミクロスコピック特徴の自動的かつ高精度なセグメンテーションを可能にすること。
• 回転および並進不変性を用いて、カテゴリカル（例：原子種）および連続的（例：ひずみ、電荷）なデータ表現を分離する不変変分オートエンコーダー（VAE）の開発。
• 構造と性質の間のエンドツーエンドのマッピングを実現する im2spec および spec2im モデルを用いて、材料の物性予測を可能にすること。
• 学習された原子構造と第一原理シミュレーション（DFT や分子動力学）を統合するための Python インターフェースの提供。

提案手法

• ディープコンボリューショナルニューラルネットワークを活用し、(S)TEM 画像における原子種のピクセル単位分類を実行し、分類ベースの局所的記述子を生成する。
• 回転および任意の場合は並進不変性を持つ不変 VAE を実装し、画像および分光データの分離可能で頑健な表現学習を実現する。
• 構造的特徴から分光的性質へ、およびその逆へのマッピングを可能にするエンコーダ・デコーダアーキテクチャ（im2spec および spec2im）を導入する。
• Python インターフェースを通じて第一原理シミュレーションツールと統合し、予測された原子位置から DFT や分子動力学ワークフローへのフィードバックを可能にする。
• ラベル付きデータセットおよび特徴同定ワークフローが整備されれば、メソスコピック画像データへの柔軟な拡張が可能となる。
• 再現可能性およびコミュニティへの採用を促進するため、オープンソースのコードと例題の Jupyter ノートブックを提供する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、どのように機器固有の (S)TEM データ取得パイプラインと統合され、原子スケールの解析が可能になるか？
• RQ2 不変変分オートエンコーダー（VAE）は、(S)TEM データにおけるカテゴリカル（例：原子種）および連続的（例：ひずみ、電荷）な特徴をどの程度分離できるか？
• RQ3 エンドツーエンドの im2spec および spec2im モデルは、構造的特徴から分光的応答を正確に予測し、逆に分光的特徴から構造的特徴を予測できるか？
• RQ4 ディープラーニングで学習された原子構造は、どのように第一原理シミュレーションとシームレスに接続され、物性の検証が可能になるか？
• RQ5 AtomAI は、原子分解能を超えるメソスコピックスケールの画像および分光データへどの程度拡張可能か？

主な発見

• AtomAI は、(S)TEM データへのディープコンボリューショナルニューラルネットワークの直接適用を可能にし、オプションの精緻化を伴う正確な原子種分類および位置特定を実現した。
• 不変 VAE は、カテゴリカルおよび連続的データ表現を効果的に分離し、画像データにおける回転および並進に対する頑健性を向上させた。
• im2spec および spec2im モデルは、効果的な構造-性質マッピングを実現し、構造的入力からの分光的特徴の予測およびその逆の予測を可能にした。
• 第一原理シミュレーションとのシームレスな統合により、DFT や分子動力学を用いて予測された原子構造の検証および精緻化が可能になった。
• フレームワークは、ラベル付きデータおよび特徴ワークフローが整備されれば、原子分解能を超えるデータへも拡張可能である。
• 例題のノートブックを含むオープンソースリリースにより、再現性が確保され、材料科学および電子顕微鏡分野における採用が加速された。