面向支持金属催化剂颗粒的高通量分析的通用机器学习工作流程
材料科学
2024-10-03 v1 人工智能
摘要
对纳米粒子（NPs）进行精确而高效的表征，尤其是粒径分布，对于深化我们对其结构-性质关系的理解并促进其用于各种应用的设计至关重要。本研究引入一种新型两阶段人工智能（AI）驱动的工作流程，用于NP分析，利用来自最先进单阶段目标检测和大规模视觉转换器（ViT）架构的提示工程技术。该方法应用于传送电子显微镜（TEM）和扫描TEM（STEM）图像，对异构催化剂进行高分辨率、高通量的颗粒尺寸分布分析。模型在检测和分割NPs方面的性能已通过多种异构催化剂系统进行验证，包括 various金属（Cu、Ru、Pt、PtCo）、支撑材料（硅（SiO₂）、γ-氧化铝（γ-Al₂O₃）和碳黑）以及粒径尺寸分布（均值和标准差为2.9±1.1 nm、1.6±0.2 nm、9.7±4.6 nm和4±1.0 nm）。此外，所提出的机器学习（ML）方法成功检测和分割锚定于非均匀催化剂支撑材料上的重叠NPs，为其空间布局和相互作用提供关键见解。我们AI辅助的NP分析工作流程在various数据集上表现出稳健的泛化能力，可轻易应用于类似的NP分割任务，无需昂贵的模型重新训练。
引用
@article{arxiv.2410.01213,
title = {A versatile machine learning workflow for high-throughput analysis of supported metal catalyst particles},
author = {Arda Genc and Justin Marlowe and Anika Jalil and Libor Kovarik and Phillip Christopher},
journal= {arXiv preprint arXiv:2410.01213},
year = {2024}
}