能源部橡树岭国家实验室的研究人员开发了一种受机器学习启发的软件包,可提供电子和扫描探针显微镜图像的端到端图像分析。
该软件包被称为AtomAI,将深度学习应用于原子分辨率的显微镜数据,从而提供可量化的物理信息,例如样本中每个原子的精确位置和类型。
使用这些方法,研究人员可以从极其复杂的数据集中快速获得具有统计意义的信息。这些数据集通常包含数百张图像,每张图像包含数千个原子和分子结构异常。这种对数据分析的改进使研究人员能够设计出材料中的量子原子精确异常,并可用于更深入地了解材料的物理和化学性质。
电子显微镜和扫描探针显微镜使材料科学家、物理学家和其他研究人员能够以极高的分辨率探测原子和分子结构。这些高分辨率方法使研究人员能够清楚地观察原子结构,使其成为理解和设计纳米级材料的重要工具。
电子显微镜可用于获取有关材料结构的精确信息,而扫描探针显微镜更常用于了解材料的功能特性,例如超导性或磁性。这两种方法都受益于现代图像分析方法。
深度学习是一种机器学习,它允许程序自我训练以准确识别图像或文本块的内容。当传统的机器学习应用于图像分析时,相关特征是从一组图像中手动提取的——这一过程称为特征工程——并用于创建一个模型,该模型根据这些特征对对象进行分类。
相比之下,深度学习模型通过使用分层“神经元”网络自动学习相关特征——数据和计算流经的受生物学启发的节点——经过训练可以检测不同复杂程度的图像的各个方面。与传统机器学习相比,只要存在足够的数据来训练系统,这就可以提高精度并分析更多不同的信息。
AtomAI部分由ORNL的纳米材料科学中心开发,包括一个独特的模型架构,用于识别显微镜数据中的薄物体,例如纳米纤维或磁畴壁——分离磁畴的界面。该软件包还旨在通过考虑图像数据的意外变化(例如传入的宇宙射线或非目标材料的图像)并将某些不变的物理特性纳入模型中来减少图像处理中的错误。
此外,AtomAI还包括允许研究人员对收集的数据进行实时分析并将信息直接导入理论模拟的工具。这些特征有助于深入了解被观察物理结构的能量学和光学、电子和磁学特性。
该软件包的概述发表在NatureMachineIntelligence上。
“人们过去常常将显微镜视为一种纯粹的定性工具,”ORNL研究员兼AtomAI的首席开发人员MaximZiatdinov说,“但最近社区的心态发生了某种转变:显微镜实际上可以用来提取定量物理信息。”定性显微镜方法通常依赖于研究人员记录样本的整体信息,而新的定量方法允许对材料的结构或特性进行精确的数字表示。
AtomAI等软件促成了这种转变,它提供了一种方法来定量分析整个样本的结构,以找到定性方法可能会歪曲或根本不会注意到的有意义的数据。
Ziatdinov期望他的团队的工作能够加快基础材料和应用材料研究的进展速度。“如果你能更快地表征事物并至少使过程的某些部分自动化,那么你也将加速材料科学研究的各个方面,”他说。
AtomAI的设计考虑了易用性和访问性。整个包可以从浏览器启动,只需最少的编码知识即可操作。
“如果你是一名实验主义者,那么你应该能够使用机器学习,而无需了解该过程背后的所有数学知识,也不一定是一名优秀的编码员,”Ziatdinov说。
AtomAI是一个完整的软件包,Ziatdinov和他的团队希望扩展其功能并支持更多特性。他特别感兴趣的是为理论研究人员添加功能,以准确估计结构的物理特性,例如能量学和稳定性,而无需经历耗时且昂贵的传统模拟过程。
Ziatdinov也期待直接从其他研究人员那里听到他们对AtomAI的需求和想法,并正在与他们合作将新功能集成到软件包中。