基于卷积神经网络确定电子衍射图案中电池材料晶粒取向
材料科学
2025-06-24 v1
摘要
多晶体材料因其独特的性质而具有众多应用，这些性质常由晶界决定。因此，对晶粒及界面取向进行定量表征对于优化这些材料，特别是能源材料至关重要。通过扫描透射电子显微镜，物质可通过每个扫描点处的电子衍射图案在极细的扫描网格中进行分析。通过将衍射图案与模拟数据库匹配，可确定材料的晶体取向以及每个扫描点处的晶界取向。这种模式匹配方法计算耗时。人工智能有望成为强大的模式识别工具。在本 work 中，我们在 LiNiO 的动态模拟衍射图案上训练卷积神经网络 (CNN)，用于预测以三个 Euler 角度表示的晶粒取向，以覆盖整个基本取向区域。结果表明，这些网络超越传统模式匹配算法，具有更高的精度和效率。CNN 模型的提高精度可归因于这些模型是通过包含动力学效应的数据训练的。这项工作是首次将深度学习应用于电子衍射数据分析，启明了机器学习加快电子显微镜数据分析的巨大潜力， toward high-throughput 表征技术。
引用
@article{arxiv.2506.18416,
title = {Determining the grain orientations of battery materials from electron diffraction patterns using convolutional neural networks},
author = {Jonas Scheunert and Shamail Ahmed and Thomas Demuth and Andreas Beyer and Sebastian Wissel and Bai-Xiang Xu and Kerstin Volz},
journal= {arXiv preprint arXiv:2506.18416},
year = {2025}
}