基于一致数据集的原子分割深度学习模型基准测试
材料科学
2023-02-22 v1 无序系统与神经网络
摘要
原子分辨率扫描透射电子显微镜（STEM）图像的信息内容通常可简化为描述每个原子柱的少数几个参数，其中最重要的是原子柱位置。神经网络（NN）是一种高性能、计算高效的方法，可自动定位图像中的原子柱，这导致了大量NN模型及相关训练数据集的出现。我们开发了一个由模拟和实验STEM图像组成的基准数据集，并用其评估了两组近期用于STEM图像中原子定位的NN模型的性能。两组模型在来自几种不同晶格、质量各异的图像上均表现出高性能。然而，作为图像质量函数的性能存在重要差异，且两组模型在训练数据之外的图像（如背景强度差异较大的界面）上表现不佳。该基准数据集与模型均通过Foundry服务提供，以促进机器学习模型的传播、发现与复用。
引用
@article{arxiv.2207.10173,
title = {Benchmark tests of atom segmentation deep learning models with a consistent dataset},
author = {Jingrui Wei and Ben Blaiszik and Aristana Scourtas and Dane Morgan and Paul M. Voyles},
journal= {arXiv preprint arXiv:2207.10173},
year = {2023}
}