Artifact Identification in X-ray Diffraction Data using Machine Learning Methods

要約

in situ シンクロトロン高エネルギー X 線粉末回折 (XRD) 技術は、機能デバイス (電池材料など) または複雑なサンプル環境 (ダイヤモンドアンビルセルや合成など) の材料の結晶構造を分析するために、研究者によって高度に利用されています。
原子炉）。
材料の原子構造は、測定された構造が理想的な構造 (内部応力や欠陥など) からどのように逸脱しているかを示すリートベルト精密化などの詳細な分析と共に、その回折パターンによって特定できます。
in situ 実験では、一連の XRD 画像は通常、同じサンプルで異なる条件 (断熱条件など) で収集され、異なる状態の物質が得られるか、時間の関数として連続的に収集され、サンプルの変化を追跡します。
化学的または物理的なプロセス。
その場での実験は通常、エリア検出器を使用して実行され、理想的な粉末の回折リングで構成される 2D 画像を収集します。
材料の形状によっては、現実的なサンプルとその環境の典型的なデバイ シェラー リング以外のさまざまな特性 (テクスチャや優先配向、2D XRD 画像の単結晶回折スポットなど) が観察される場合があります。
この作業では、XRD 画像の単結晶回折スポットの高速で信頼性の高い識別と分離のための機械学習方法の調査を提示します。
XRD 画像統合プロセス中のアーティファクトの除外により、対象の粉末回折リングの正確な分析が可能になります。
勾配ブースティング法は、非常に多様なデータセットの小さなサブセットでトレーニングすると、一貫して高精度の結果を生成できることがわかりました。
この方法は、従来の方法と比較して、単結晶スポットの識別と分離に費やされる時間を大幅に短縮します。

要約(オリジナル)

The in situ synchrotron high-energy X-ray powder diffraction (XRD) technique is highly utilized by researchers to analyze the crystallographic structures of materials in functional devices (e.g., battery materials) or in complex sample environments (e.g., diamond anvil cells or syntheses reactors). An atomic structure of a material can be identified by its diffraction pattern, along with detailed analysis such as Rietveld refinement which indicates how the measured structure deviates from the ideal structure (e.g., internal stresses or defects). For in situ experiments, a series of XRD images is usually collected on the same sample at different conditions (e.g., adiabatic conditions), yielding different states of matter, or simply collected continuously as a function of time to track the change of a sample over a chemical or physical process. In situ experiments are usually performed with area detectors, collecting 2D images composed of diffraction rings for ideal powders. Depending on the material’s form, one may observe different characteristics other than the typical Debye Scherrer rings for a realistic sample and its environments, such as textures or preferred orientations and single crystal diffraction spots in the 2D XRD image. In this work, we present an investigation of machine learning methods for fast and reliable identification and separation of the single crystal diffraction spots in XRD images. The exclusion of artifacts during an XRD image integration process allows a precise analysis of the powder diffraction rings of interest. We observe that the gradient boosting method can consistently produce high accuracy results when it is trained with small subsets of highly diverse datasets. The method dramatically decreases the amount of time spent on identifying and separating single crystal spots in comparison to the conventional method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google