Towards Space Group Determination from EBSD Patterns: The Role of Deep Learning and High-throughput Dynamical Simulations

要約

新規材料の設計は、構造と物性の関係の理解にかかっている。しかし最近では、多くの材料を合成する能力が、それらを特性評価する速度を上回っている。全体的な化学成分は合成中に容易に知ることができるが、新たに合成された試料の構造進化と特性評価は、ハイスループット・ナノ材料探索という究極の目標を達成する上で、依然としてボトルネックとなっている。したがって、短時間で大量の試料を分析できる、スケーラブルな結晶対称性決定法が特に必要とされている。SEMでの菊池回折は、動的散乱に対する感度が高いため、この手法に有望であり、7つの結晶系と14のブラヴェ格子にとどまらない情報を提供できる可能性がある。物質サンプルから回折パターンを収集した後、ディープラーニング手法を使えば、パターンを入力として空間群対称性を分類できるかもしれない。このソリューションの実現可能性を調査するために、バックグラウンドで補正されたEBSDパターンの空間群タイプを予測するニューラルネットワークを訓練した。まず、物理ベースの動的シミュレーションによって作成された、5,148種類の立方晶相のEBSDパターンからなる人工データセットに対して、ニューラルネットワークの学習とテストを行った。次に、教師なし深層学習ベースの領域適応手法である最大分類器不一致を利用して、実験的EBSDパターンの予測を行うニューラルネットワークを学習した。再ラベリングスキームを導入することで、我々のモデルはシミュレーションデータと実験データで90%以上の精度スコアを達成することができ、ニューラルネットワークがEBSDパターンから結晶対称性の予測を行うことができることを示唆している。

要約(オリジナル)

The design of novel materials hinges on the understanding of structure-property relationships. However, in recent times, our capability to synthesize a large number of materials has outpaced our speed at characterizing them. While the overall chemical constituents can be readily known during synthesis, the structural evolution and characterization of newly synthesized samples remains a bottleneck for the ultimate goal of high throughput nanomaterials discovery. Thus, scalable methods for crystal symmetry determination that can analyze a large volume of material samples within a short time-frame are especially needed. Kikuchi diffraction in the SEM is a promising technique for this due to its sensitivity to dynamical scattering, which may provide information beyond just the seven crystal systems and fourteen Bravais lattices. After diffraction patterns are collected from material samples, deep learning methods may be able to classify the space group symmetries using the patterns as input, which paired with the elemental composition, would help enable the determination of the crystal structure. To investigate the feasibility of this solution, neural networks were trained to predict the space group type of background corrected EBSD patterns. Our networks were first trained and tested on an artificial dataset of EBSD patterns of 5,148 different cubic phases, created through physics-based dynamical simulations. Next, Maximum Classifier Discrepancy, an unsupervised deep learning-based domain adaptation method, was utilized to train neural networks to make predictions for experimental EBSD patterns. We introduce a relabeling scheme, which enables our models to achieve accuracy scores higher than 90% on simulated and experimental data, suggesting that neural networks are capable of making predictions of crystal symmetry from an EBSD pattern.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL