跨尺度特征不变发现：显微镜与自动材料表征的应用
计算物理
2024-08-02 v1 材料科学
机器学习
应用物理
摘要
物理成像是从凝聚态物理和化学到天文学等领域的基础表征方法，尺度跨越从原子到宇宙。图像包含关于原子键、材料微结构以及如微结构演化和湍流等动态现象的关键数据。挑战在于有效提取和解释这些信息。变分自编码器 (VAE) 作为从图像数据中识别潜在变异因子的强大工具，为从复杂数据集中提炼有意义模式提供了系统方法。然而，其应用的一个重大难题在于定义和选择能反映局部结构的合适描述符。我们引入基于在不同尺度上采样的描述符进行渐进式训练的 scale-invariant VAE 方法 (SI-VAE)。SI-VAE 允许发现系统中尺度依赖的变异因子。我们采用铁电域图像演示了这一方法，并将其推广到石墨烯电子束诱导现象的运动以及组合材料库的表面形貌演化。该方法可进一步用于自动实验中的决策初始化，包括结构-性能发现，可适用于广泛的成像方法。这一方法是通用的，可应用于任何空间分辨数据，包括实验成像研究和仿真，对于探索湍流、尺度不变转换前沿等现象尤其有用。
引用
@article{arxiv.2408.00229,
title = {Invariant Discovery of Features Across Multiple Length Scales: Applications in Microscopy and Autonomous Materials Characterization},
author = {Aditya Raghavan and Utkarsh Pratiush and Mani Valleti and Richard Liu and Reece Emery and Hiroshi Funakubo and Yongtao Liu and Philip Rack and Sergei Kalinin},
journal= {arXiv preprint arXiv:2408.00229},
year = {2024}
}