基于深度学习的原位透射电子显微镜中纳米颗粒相变预测
材料科学
2022-05-24 v1 机器学习
摘要
我们开发了基于机器学习的预测能力,结合长短期记忆(LSTM)算法与特征解耦方法,预测原位透射电子显微镜(TEM)视频帧的时间序列。我们训练深度学习模型,以先前帧序列为输入预测未来的帧序列。这一独特能力利用原位环境TEM数据,揭示了动态反应条件下Au纳米颗粒中尺寸依赖的结构变化,为形貌演化与催化性质模型提供信息。基于科学数据特征及有限的训练数据集规模,模型的性能与预测精度令人满意。模型收敛性及损失函数均方误差值显示出对训练策略的依赖性,预测结构图像与真实值之间的结构相似性度量达到约0.7。该计算所得结构相似性小于使用大得多基准数据集训练深度学习架构时获得的值,但足以显示Au纳米颗粒的结构转变。尽管我们的模型应用于科学数据时的性能参数不及非科学大数据集所达到的水平,我们证明了该模型能够预测Au纳米颗粒作为CO氧化催化剂在化学反应条件下的演化,甚至包括颗粒结构相变。利用此方法,或有可能对新兴自动化实验平台的化学反应下一步进行预判。
引用
@article{arxiv.2205.11407,
title = {Deep-learning-based prediction of nanoparticle phase transitions during in situ transmission electron microscopy},
author = {Wenkai Fu and Steven R. Spurgeon and Chongmin Wang and Yuyan Shao and Wei Wang and Amra Peles},
journal= {arXiv preprint arXiv:2205.11407},
year = {2022}
}
备注
16 pages, 13 figures