[論文レビュー] Paradigm shift in electron-based crystallography via machine learning

Kevin Kaufmann, Chaoyi Zhu+5 more|arXiv (Cornell University)|Feb 10, 2019

X-ray Diffraction in Crystallography参考文献 50被引用数 43

ひとこと要約

この論文は、事前知識なしにEBSDパターンから結晶構造を自動的に識別する深層学習アプローチを提示し、従来のHoughベースのEBSDを上回り、学習された結晶学的特徴を明らかにします。

ABSTRACT

Accurately determining the crystallographic structure of a material, organic or inorganic, is a critical primary step in material development and analysis. The most common practices involve analysis of diffraction patterns produced in laboratory XRD, TEM, and synchrotron X-ray sources. However, these techniques are slow, require careful sample preparation, can be difficult to access, and are prone to human error during analysis. This paper presents a newly developed methodology that represents a paradigm change in electron diffraction-based structure analysis techniques, with the potential to revolutionize multiple crystallography-related fields. A machine learning-based approach for rapid and autonomous identification of the crystal structure of metals and alloys, ceramics, and geological specimens, without any prior knowledge of the sample, is presented and demonstrated utilizing the electron backscatter diffraction (EBSD) technique. Electron backscatter diffraction patterns are collected from materials with well-known crystal structures, then a deep neural network model is constructed for classification to a specific Bravais lattice or point group. The applicability of this approach is evaluated on diffraction patterns from samples unknown to the computer without any human input or data filtering. This is in comparison to traditional Hough transform EBSD, which requires that you have already determined the phases present in your sample. The internal operations of the neural network are elucidated through visualizing the symmetry features learned by the convolutional neural network. It is determined that the model looks for the same features a crystallographer would use, even though it is not explicitly programmed to do so. This study opens the door to fully automated, high-throughput determination of crystal structures via several electron-based diffraction techniques.

研究の動機と目的

• 金属、 alloy、 ceramics、 および geologicaL specimens のEBSDパターンから結晶構造を迅速に自動識別する機械学習ワークフローを開発する。
• モデルが未知のサンプルのパターンに対して人間の介入やデータフィルタリングなしで性能を評価する。
• 従来のHough変換EBSDと比較し、事前位相決定を必要としないMLアプローチを評価する。
• ニューラルネットワークが学習した内部特徴を視覚化し、結晶学者の直感と一致するかを評価する。
• 電子ベースの回折技術を用いた全自動・ハイスループットな結晶構造決定の可能性を示す。

提案手法

• EBSD回折パターンを特定のBravais格子または点群に分類する深層ニューラルネットワークモデルを構築する。
• 既知の結晶構造を持つ材料の回折パターンでモデルを訓練する。
• 人間の介入やデータフィルタリングなしで、コンピューターが未知のサンプルに対してモデルを評価する。
• 畳み込みニューラルネットワークが学習した対称性特徴を視覚化して、決定基盤を解釈する。
• 事前の位相知識を必要とする従来のHough変換EBSDと性能を比較する。
• EBSDを通じた複数の電子ベースの回折モードへの適用性を実証する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、未知のサンプルの知識なしにEBSDパターンを正しいBravais格子または点群に分類できるか？
• RQ2 MLアプローチは、事前の位相情報を必要とする従来のHough変換EBSDとどう比較されるか？
• RQ3 CNNで学習された特徴は、結晶学者が認識する対称性特徴と一致するか？
• RQ4 未知のサンプルとデータフィルタリングなしで方法は頑健か？
• RQ5 このアプローチを用いた自動化・ハイスループットな結晶構造決定の可能性はどれほどか？

主な発見

• モデルは金属、合金、セラミックス、地質標本のEBSDパターンをBravais格子または点群に分類する。
• このアプローチは、未知のサンプルのパターンに対して人間の介入やデータフィルタリングなしで機能する。
• Hough変換EBSDと比較して、ML手法は事前の位相決定を必要としない。
• 視覚化により、ネットワークが結晶学者が用いる対称性特徴に類似した特徴を学習していることが示される。
• この研究は電子ベースの回折による完全自動・ハイスループットな結晶構造決定への道筋を示唆している。