面向高分辨透射电子显微术中机器学习的鲁棒合成数据生成框架
材料科学
2023-09-13 v1 机器学习
图像与视频处理
摘要
机器学习技术是为纳米材料表征（包括高分辨透射电子显微术（HRTEM））开发高精度自动化分析工具的有吸引力的选择。然而，由于从实验中获取足够大且高质量的训练数据集存在困难，成功实现此类机器学习工具可能颇具挑战。本工作中，我们介绍 Construction Zone，一个用于快速生成复杂纳米尺度原子结构的 Python 包，并开发了一个端到端工作流，用于创建用于训练神经网络的大型模拟数据库。Construction Zone 支持对真实纳米材料结构进行快速、系统的采样，并可用作模拟数据库的随机结构生成器，这对于生成大型、多样的合成分数据集十分重要。以 HRTEM 成像为例，我们在模拟数据库的各个子集上训练了一系列神经网络来分割纳米颗粒，并整体研究数据整理过程，以理解所整理模拟数据的各个方面——包括模拟保真度、原子结构分布以及成像条件分布——如何影响多个实验基准上的模型性能。利用我们的结果，我们在多个实验基准的纳米颗粒实验 HRTEM 图像上实现了最先进的分割性能，并且进一步讨论了在实验环境中使用纯合成数据通过机器学习稳定达成高性能的鲁棒策略。
引用
@article{arxiv.2309.06122,
title = {A robust synthetic data generation framework for machine learning in High-Resolution Transmission Electron Microscopy (HRTEM)},
author = {Luis Rangel DaCosta and Katherine Sytwu and Catherine Groschner and Mary Scott},
journal= {arXiv preprint arXiv:2309.06122},
year = {2023}
}