利用生成对抗网络生成逼真的扫描透射电子显微镜图像
材料科学
2023-05-31 v2 机器学习
计算物理
摘要
电子显微镜中自动化与机器学习（ML）的兴起，有望通过自主数据采集与处理彻底改变材料研究。一个重大挑战在于开发能够快速泛化到不同实验条件下大规模数据集的 ML 模型。为此，我们采用带有倒易空间判别器的循环生成对抗网络（CycleGAN），以真实空间频率信息增强模拟数据。这使得 CycleGAN 能够生成与真实数据几乎无法区分的图像，并为 ML 应用提供标签。我们通过在像差校正扫描透射电子显微镜（STEM）中使用自动化采集收集的 450 万原子数据集上训练全卷积网络（FCN）来识别单原子缺陷，展示了我们的方法。我们的方法生成的适应性 FCN 能够以最小干预适应动态变化的实验变量，标志着向完全自主利用显微镜大数据迈出了关键一步。
引用
@article{arxiv.2301.07743,
title = {Leveraging generative adversarial networks to create realistic scanning transmission electron microscopy images},
author = {Abid Khan and Chia-Hao Lee and Pinshane Y. Huang and Bryan K. Clark},
journal= {arXiv preprint arXiv:2301.07743},
year = {2023}
}
备注
25 pages, 6 figures, 2 tables