[논문 리뷰] Paradigm shift in electron-based crystallography via machine learning

Kevin Kaufmann, Chaoyi Zhu외 5명|arXiv (Cornell University)|2019. 02. 10.

X-ray Diffraction in Crystallography참고 문헌 50인용 수 43

한 줄 요약

이 논문은 prior knowledge 없이 EBSD 패턴으로 결정 구조를 자동으로 식별하는 딥 러닝 접근법을 제시하며, 전통적인 Hough 기반 EBSD를 능가하고 학습된 결정학적 특징을 드러낸다.

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.

연구 동기 및 목표

• 금속, 합금, 세라믹스, 지질 시편의 EBSD 패턴으로 결정 구조를 신속하고 자율적으로 식별하기 위한 머신 러닝 워크플로우를 개발한다.
• 모델이 모르는 샘플의 패턴에 대해 인간 입력이나 데이터 필터링 없이 성능을 평가한다.
• prior phase determine 필요로 하는 전통적 Hough 변환 EBSD와 비교한다.
• 결정학자 직관에 맞춘 내부 특징을 확인하기 위해 신경망이 학습한 대칭 특징을 시각화한다.
• 전자 기반 회절 기술을 통한 완전 자동화, 고-throughput 결정 구조 결정 가능성을 보여준다.

제안 방법

• EBSD 회절 패턴을 특정 Bravais 격자 또는 점군으로 분류하는 심층 신경망 모델을 구성한다.
• 알려진 결정 구조를 가진 재료의 회절 패턴으로 모델을 학습시킨다.
• 컴퓨터가 모르는 샘플에 대해 인간 입력이나 데이터 필터링 없이 모델을 평가한다.
• 합성곱 신경망이 학습한 대칭 특징을 시각화하여 결정Basis를 해석한다.
• prior phase knowledge가 필요한 전통적 Hough-transform EBSD와의 성능을 비교한다.
• EBSD를 통한 다중 전자 기반 회절 모달리티에 적용 가능성을 입증한다.

실험 결과

연구 질문

• RQ1 샘플에 대한 사전 지식 없이 깊은 신경망이 EBSD 패턴을 올바른 Bravais 격자 또는 점군으로 분류할 수 있을까?
• RQ2 Prior phase 정보를 필요로 하는 전통적 Hough 변환 EBSD와 비교했을 때 ML 접근법은 어떤 차이가 있는가?
• RQ3 CNN에서 학습된 특징이 결정학자가 인식하는 대칭 특징과 일치하는가?
• RQ4 데이터 필터링 없이 알려지지 않은 샘플에 제시되었을 때 방법이 robust한가?
• RQ5 이 접근법을 사용한 자동화된 고처리량 결정 구조 결정의 가능성은 무엇인가?

주요 결과

• 모델은 금속, 합금, 세라믹스, 지질 시편에 대해 EBSD 패턴을 Bravais 격자 또는 점군으로 분류한다.
• 이 접근법은 인간 입력이나 데이터 필터링 없이 컴퓨터가 모르는 샘플에서 작동한다.
• Hough-transform EBSD와 비교할 때 ML 방법은 사전 단계 결정이 필요하지 않다.
• 시각화는 네트워크가 결정학자가 사용하는 대칭 특징과 유사한 특징을 학습함을 보여준다.
• 연구는 전자 기반 회절을 통한 완전 자동화, 고처리량 결정 구조 결정의 경로를 제시한다.