目前的材料科學(xué)家一般通過分析一系列顯微照片來研究或描述工程材料的特性，包括從毫米到納米的復(fù)雜微觀結(jié)構(gòu)。這些工作通常是由科學(xué)家個人手動完成的，有時還需要計算技術(shù)的輔助。這些以人為中心的工作流程存在嚴(yán)重的缺點，如對專業(yè)要求高、可重復(fù)性差、過程耗時長等。以納米級L12型有序結(jié)構(gòu)為例，該結(jié)構(gòu)被廣泛用于面心立方（FCC）合金中，以利用其硬化能力，從而提高機械性能。這些細尺度的顆粒通常與具有相同原子構(gòu)型、不考慮化學(xué)種類的基體完全相干，這使得他們的表征具有挑戰(zhàn)性。空間分布圖（SDMs）用于通過詢問重建原子探針斷層掃描（APT）數(shù)據(jù)內(nèi)原子的三維（3D）分布來探究局部秩序。然而，手動分析完整的點云（> 1000萬個）以尋找數(shù)據(jù)中保留的部分晶體學(xué)信息，幾乎是不可能的。

來自德國馬普所的Yue Li和Leigh T. Stephenson等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNNs)的策略，利用APT數(shù)據(jù)自動識別FCC基合金中的納米級L12型有序結(jié)構(gòu)，具有超高的識別能力。該方法首先生成了模擬L12有序結(jié)構(gòu)的SDMs和FCC矩陣。這些模擬圖像結(jié)合少量的實驗數(shù)據(jù)，用于訓(xùn)練基于CNN的L12有序結(jié)構(gòu)識別模型。最后，成功應(yīng)用該方法揭示了FCC Al-Li-Mg體系中平均半徑為2.54 nm的L12型δ'-Al3（LiMg）納米顆粒的3D分布。可檢測得納米域最小半徑甚至低至5 ?。所提出的CNN-APT方法很有希望在不久的將來擴展到識別其他納米級的有序結(jié)構(gòu)，甚至更有挑戰(zhàn)性的短程有序現(xiàn)象中。

原文標(biāo)題：npj: 卷積神經(jīng)網(wǎng)絡(luò)計算—精確識別納米級有序結(jié)構(gòu)

文章出處：【微信公眾號：知社學(xué)術(shù)圈】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq