Nat. Commun.：贝叶斯深度学习对晶体结构进行稳健识别和探索性分析

识别给定材料的晶体结构对于理解和预测其物理特性很重要。由于其识别复杂模式的能力，神经网络（NN）可以推动材料科学数据分析的范式转变。

在此，德国马克斯普朗克学会弗里茨哈伯研究所Andreas Leitherer等人通过贝叶斯深度学习来实现一个灵活、稳健且与阈值无关的晶体分类模型（称之为 ARISE）。这种方法从计算和实验中正确分类了一组全面多样的晶体结构，包括单晶和多晶系统（通过跨步模式匹配（SPM））。

只需给定一个未知结构，网络便以自动方式在108 个可能的类别中分配最相似的原型（并量化相似性），这对于受过训练的材料科学家来说也是一项非常复杂的任务，特别是复杂有缺陷的3D结构。ARISE仅接受理想结构的训练，并在扫描透射电子显微镜（STEM）和原子电子断层扫描（AET）实验中正确识别晶体结构，因此展示了强大的泛化能力。

图1. 合成多晶结构的结构相似性分析

此外，贝叶斯深度学习模型的概率性质允许获得原则性的不确定性估计，作者发现其与电子断层扫描实验中金属纳米粒子的结晶顺序相关。将无监督学习应用于内部NN模型揭示了晶界和（不明显的）结构区域共享易于解释的几何特性，这说明了如何结合监督和无监督机器学习来发现材料科学数据中的隐藏模式。

由于 ARISE不仅限于预测空间群，因此可以解决空间群不表征晶体结构的系统（如碳纳米管），也可以考虑更复杂的系统，例如准晶体、周期或编织结构。事实上，ARISE可以应用于任何提供化学物种标记的笛卡尔坐标数据。这项工作使迄今为止对来自计算或实验的杂乱原子结构数据的分析成为可能。

图2. 通过ARISE和SPM分析HAADF和HRTEM图像

Robust recognition and exploratory analysis of crystal structures via Bayesian deep learning, Nature Communications 2021. DOI: 10.1038/s41467-021-26511-5

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/b3debf7e76/

Nat. Commun.：贝叶斯深度学习对晶体结构进行稳健识别和探索性分析

相关推荐