利用图神经网络探索原子分辨率显微术中的结构多样性
材料科学
2024-10-24 v1 介观与纳米尺度物理
机器学习
摘要
深度学习的出现为原子分辨率显微图像的高通量分析提供了巨大机遇。然而，由固定尺寸图像块训练的深度学习模型在处理包含多样化原子构型的显微图像时，通常缺乏效率和灵活性。在此，受原子结构与图之间相似性的启发，我们描述了一个基于等变图神经网络（EGNN）的小样本学习框架，用于分析原子结构库（例如，空位、相、晶界、掺杂等），显示出显著提升的鲁棒性，并且计算参数比图像驱动的深度学习模型减少了三个数量级，这对于那些具有柔性晶格畸变的聚集空位线尤其明显。此外，图的直观性使得能够批量定量且直接地提取原子尺度的结构特征，从而统计揭示电子束辐照下空位线的自组装动力学。通过集成用于单一结构识别的EGNN子模型，建立了一个多功能模型工具包，以任务链的形式处理包含不同构型的图像，从而发现了具有优异析氢反应电催化性能的新型掺杂构型。这项工作提供了一种以快速、准确和智能的方式探索结构多样性的强大工具。
引用
@article{arxiv.2410.17631,
title = {Exploring structure diversity in atomic resolution microscopy with graph neural networks},
author = {Zheng Luo and Ming Feng and Zijian Gao and Jinyang Yu and Liang Hu and Tao Wang and Shenao Xue and Shen Zhou and Fangping Ouyang and Dawei Feng and Kele Xu and Shanshan Wang},
journal= {arXiv preprint arXiv:2410.17631},
year = {2024}
}