一种用于量化原子探针层析数据中化学偏析与微观结构特征的机器学习框架
化学物理
2023-10-16 v1 材料科学
摘要
原子探针层析（APT）非常适合于表征和理解现代多组分材料中化学偏析与微观结构之间的相互作用。然而，定量分析通常依赖人类专家来定义感兴趣区域。我们引入了一种计算高效的多阶段机器学习策略，以半自动方式识别化学上不同的畴，并随后量化其几何与成分特征。在我们的算法流程中，我们首先将 APT 数据粗粒化为体素，收集成分统计信息，并在成分空间中通过聚类进行分解。随后，成分分类使得通过基于密度的聚类算法实现实空间分割，从而在体素分辨率下揭示微观结构。我们的方法在 Sm(Co,Fe)ZrCu 合金上进行了演示。该合金呈现出两种具有板状但交织形态的析出相。基于主成分分析的无监督方法，或在前者上训练的基于 U-Net 的语义分割，将初级分割进一步细化，以将这些几何上复杂的析出相解缠为单独的板状部分。在化学与几何分析之后，相对于主要的板状几何结构，详细的化学分布与偏析效应可以在不借助初始体素化的情况下被轻易映射。
引用
@article{arxiv.2304.08761,
title = {A machine learning framework for quantifying chemical segregation and microstructural features in atom probe tomography data},
author = {Alaukik Saxena and Nikita Polin and Navyanth Kusampudi and Shyam Katnagallu and Leopoldo Molina-Luna and Oliver Gutfleisch and Benjamin Berkels and Baptiste Gault and Jörg Neugebauer and Christoph Freysoldt},
journal= {arXiv preprint arXiv:2304.08761},
year = {2023}
}