衬度传递函数有助于量化神经网络在HRTEM中的分布外泛化
机器学习
2025-12-11 v1 材料科学
摘要
神经网络虽然在处理许多具有挑战性的科学任务方面表现有效，但已知其在分布外（OOD）即与训练数据不同的域中表现不佳。理解神经网络的OOD泛化能力对其在实验流程中的成功部署至关重要，尤其是在关于实验的ground-truth知识难以建立或实验条件显著变化的情况下。凭借对ground-truth信息的固有访问和对底层分布的精细控制，基于模拟的数据整理有助于精确研究OOD泛化行为。在这里，我们针对高分辨率透射电子显微镜（HRTEM）纳米颗粒成像的神经网络分割模型，针对成像条件的泛化进行了探究，使用通过随机结构采样和多片层模拟生成的合成数据训练和测量了超过12000个神经网络的OOD泛化。利用HRTEM衬度传递函数，我们进一步开发了一个框架来比较HRTEM数据集的信息内容并量化OOD域偏移。我们证明了神经网络分割模型具有显著的性能稳定性，但随着成像条件从训练分布偏移，其性能将平滑且可预测地恶化。最后，我们考虑了我们的方法在解释其他OOD偏移（如原子结构）方面的局限性，并讨论了理解此类设置中泛化的互补技术。
引用
@article{arxiv.2512.09067,
title = {Contrast transfer functions help quantify neural network out-of-distribution generalization in HRTEM},
author = {Luis Rangel DaCosta and Mary C. Scott},
journal= {arXiv preprint arXiv:2512.09067},
year = {2025}
}