[논문 리뷰] Advances in electron backscatter diffraction

Alex Foden, Alessandro Previero외 1명|arXiv (Cornell University)|2019. 08. 12.

X-ray Diffraction in Crystallography참고 문헌 2인용 수 4

한 줄 요약

이 논문은 오픈소스 알고리즘과 머신러닝을 통해 전자산확산행렬도(EBSD)를 발전시켜, 비지도 학습 기반 주성분 분석(PCA)과 多변량 통계를 통한 고정밀도 방향 지도화, 개선된 템플릿 매칭을 통한 인덱싱 향상, 그리고 컨volution 신경망을 사용한 전이 학습을 통한 상 분류를 실현한다. 직접 전자 검출기와 역학적 시뮬레이션을 통한 고품질 실험 기반 회절 구면을 구현하여 미세구조 분석 정확도를 크게 향상시켰다.

ABSTRACT

We present a few recent developments in the field of electron backscatter diffraction (EBSD). We highlight how open source algorithms and open data formats can be used to rapidly to develop microstructural insight of materials. We include use of AstroEBSD for single pixel based EBSD mapping and conventional orientation mapping; followed by an unsupervised machine learning approach using principal component analysis and multivariate statistics combined with a refined template matching method to rapidly index orientation data with high precision. Next, we compare a diffraction pattern captured using direct electron detector with a dynamical simulation and project this to create a high quality experimental "reference diffraction sphere". Finally, we classify phases using supervised machine learning with transfer learning and a convolutional neural network.

연구 동기 및 목표

• 오픈소스 EBSD 알고리즘과 데이터 포맷을 통해 재료 과학 분야의 미세구조 통찰을 가속화한다.
• 비지도 머신러닝과 개선된 템플릿 매칭을 활용해 방향 지도화의 정밀도와 속도를 향상시킨다.
• 역학적 시뮬레이션을 직접 전자 검출기 데이터에 투영하여 고해상도 실험 기반 회절 구면을 생성한다.
• 전이 학습과 컨volution 신경망을 활용한 지도 학습을 통해 최소한의 레이블링 데이터로도 정확한 상 분류를 실현한다.
• 이러한 혁신들을 통합하여 2D, 3D, 4D EBSD 분석을 위한 통합 워크플로우를 구축한다.

제안 방법

• 단일 픽셀 및 전통적인 EBSD 지도화를 가능하게 하여 유연한 데이터 수집을 지원하는 AstroEBSD를 활용한다.
• 주성분 분석과 다변량 통계를 적용하여 차원 축소를 수행하고 인덱싱 효율을 향상시킨다.
• 방향 지도화의 정밀도를 향상시키기 위해 개선된 템플릿 매칭 방법을 구현한다.
• 실험적 데이터를 기반으로 한 직접 전자 검출기 데이터에 역학적 시뮬레이션을 투영하여 고품질의 기준 회절 구면을 생성한다.
• 사전 학습된 컨volution 신경망을 활용한 전이 학습을 통해 최소한의 레이블링 데이터로도 EBSD 패턴의 상 분류를 수행한다.
• 오픈 데이터 포맷과 오픈소스 소프트웨어를 통합하여 재현 가능성을 확보하고 공동체의 도입을 촉진한다.

실험 결과

연구 질문

• RQ1 오픈소스 알고리즘과 데이터 포맷은 EBSD의 미세구조 분석 개발을 얼마나 가속화할 수 있는가?
• RQ2 비지도 머신러닝은 EBSD 방향 지도화의 인덱싱 속도와 정밀도를 어느 정도 향상시킬 수 있는가?
• RQ3 실험 데이터에 역학적 시뮬레이션을 투영한 회절 패턴이 고해상도 기준 회절 구면을 생성할 수 있는가?
• RQ4 컨volution 신경망을 활용한 전이 학습은 EBSD 데이터의 상 분류에 얼마나 효과적인가?
• RQ5 이러한 방법들을 통합된 오픈 워크플로우로 통합할 경우 4D EBSD 분석에 어떤 영향을 미치는가?

주요 결과

• 비지도 머신러닝, 다변량 통계, 개선된 템플릿 매칭을 통합함으로써 EBSD 데이터의 인덱싱 정밀도와 속도가 크게 향상되었다.
• 직접 전자 검출기 데이터에 역학적 시뮬레이션을 투영하여 고품질의 실험 기반 회절 구면을 성공적으로 생성하였으며, 이는 인덱싱 정확도 향상에 기여했다.
• 컨볼루션 신경망을 활용한 전이 학습을 통한 상 분류가 극히 적은 레이블링 데이터로도 높은 정확도를 달성하였다.
• AstroEBSD와 같은 오픈소스 도구 및 표준화된 데이터 포맷의 사용은 빠르고 재현 가능하며 공동체 기반의 EBSD 분석을 가능하게 하였다.
• 통합된 접근법은 고정밀도 4D EBSD 지도화를 실현하여 재료 과학 분야의 고도화된 미세구조 특성 분석을 지원한다.
• 이 워크플로우는 학술 및 산업 분야의 재료 연구 환경에서의 도입 가능성이 매우 높음을 보여주었다.