Машинное обучение помогло кристаллографам распознать решетки Браве

Американские ученые разработали и протестировали модель машинного обучения для распознавания характеристик кристаллической структуры образцов (тип решетки Браве и кристаллографическую группу) по изображениям дифракционных картин, полученных методом дифракции отраженных электронов. Обе из использованных нейросетей оказались способны точно (более 90 процентов) определять эти параметры. Результаты исследования опубликованы в журнале Science.

Кристаллическая структура материала сильно влияет на его свойства, поэтому определение структуры белков, микро- и макромолекул, фармацевтических препаратов, новых материалов и геологических объектов очень важно. Наиболее часто для решения сложных задач определения параметров решетки, симметрии кристаллов и фаз используют либо метод дифракции рентгеновского излучения, либо дифракции электронов конвергентного пучка.

Одним из более удобных методов определения структуры кристаллических материалов и геологических объектов становится метод дифракции отраженных электронов, совмещенный со сканирующим электронным микроскопом. Он не требует такой сложной подготовки проб, как методы, использующие просвечивающий электронный микроскоп, и позволяет анализировать большие области образца за меньшее время. Это делает его удобным для изучения ориентаций с высокой точностью (до двух градусов), разрешением углов до двух десятых градуса и пространственным разрешением около 40 нанометров.

Разработка методов автоматизации обработки изображений в девяностых годах ускорила анализ и позволила использовать метод для более сложных и трудоемких задач, однако все равно обработка данных требует временных затрат. Часто метод применяется для определения фаз и ориентаций в образцах с несколькими фазами. Исследователь выбирает фазы, которые предположительно есть в образце, и программа ищет наиболее подходящие на экспериментально полученной дифракционной картине. В отличие от просвечивающей микроскопии или метода рентгеновской дифракции, дифракция отраженных электронов позволяет увидеть несколько фаз в пространственном разрешении, однако метод ограничен необходимостью задавать фазы, которые присутствуют в образце, а они не всегда известны заранее.

Кевин Кауфманн (Kevin Kaufmann) с коллегами из Калифорнийского университета в Сан-Диего разработали алгоритм машинного обучения, способный определять параметры кристаллической структуры образца (решетку Браве или кристаллографическую группу) по дифракционным картинам, полученным методом дифракции отраженных электронов. Авторы обучили и протестировали две сверточные нейронные сети. Слои обучались по мере нахождения алгоритмом мотивов, которые отвечали той или иной кристаллографической симметрии на дифракционной картине.

Обученную модель применили на различных сериях образцов, на которых она не обучалась, но которые обладали той же симметрией, и она с высокой точностью определяла их решетку Браве и кристаллографическую группу. Каждая из двух нейросетей примерно одинаково хорошо (более 90 процентов) классифицировала около 300 тысяч дифракционных картин. Алгоритму без помощи пользователя удалось определить, к какой из 14 решеток Браве принадлежала дифракционная картина.

Для слепого тестирования определения симметрии кристаллов алгоритмами авторы собрали 50 тысяч изображений дифракции отраженных электронов девяти совершенно разных материалов. Каждая из нейросетей правильно определила решетки в 93 и 91 процентов случаев. Базоцентрированная моноклинная кристаллическая решетка оказалась самой трудной для определения. Нейросети ее часто путали с примитивной орторомбической или ромбоэдрической, которые отличаются на один элемент симметрии.

Авторы продемонстрировали возможности алгоритма определять фазы в мультифазном образце на примере кварца с включениями рутила — фазы, которой не было в обучающей выборке. Из семи допущенных моделью ошибок пять было в местах, в которых стандартным методом определить симметрию было невозможно.

По словам авторов, метод можно развить до возможности определять полную кристаллическую структуру, разрабатывая нейросети под каждый мультифазный образец или добавив в него больше данных.

В последнее время машинное обучение часто применяют в фундаментальных исследованиях. Прошлой осенью физики разработали модель, которая могла предсказывать температуру Кюри ферромагнетиков на основе данных о его химическом составе. А другой группе ученых удалось с помощью нейросети скорректировать параметры синхротрона так, что амплитуда колебаний пучка снизилась на порядок.

Больше о системах машинного обучения можно почитать в нашем материале «Азбука ИИ: „Машинное обучение“».

Алина Кротова