用于海量同步辐射X射线衍射数据解析的机器学习自动化方法
无序系统与神经网络
2023-07-24 v1 机器学习
摘要
XRD数据的手动分析通常费力且耗时。基于深度神经网络(DNN)并使用合成XRD图谱训练的模型已被证明是一种自动、准确且高通量的方法，可用于分析在环境条件下从固体样品收集的常规XRD数据。然而，基于合成XRD的模型是否能够解决涉及液相、质量较低且存在显著伪影的原位实验的μ-XRDmapping数据，目前仍不清楚。在本研究中，我们从一个LaCl3-方解石热液流体系统收集了μ-XRDmapping数据，并训练了两类模型来求解实验XRD图谱。由合成XRD图谱训练的模型在求解实验μ-XRDmapping数据时表现出较低的准确率（低至64%）。当使用同时包含合成数据和少量标注实验μ-XRD图谱的数据集训练DNN模型时，其准确率显著提升（达到90%或以上）。本研究强调了标注实验图谱对于训练DNN模型以求解涉及液相的原位实验μ-XRDmapping数据的重要性。
引用
@article{arxiv.2303.10881,
title = {Machine Learning Automated Approach for Enormous Synchrotron X-Ray Diffraction Data Interpretation},
author = {Xiaodong Zhao and YiXuan Luo and Juejing Liu and Wenjun Liu and Kevin M. Rosso and Xiaofeng Guo and Tong Geng and Ang Li and Xin Zhang},
journal= {arXiv preprint arXiv:2303.10881},
year = {2023}
}
备注
See link below for supporting information https://docs.google.com/document/d/1m2SyaBDej4BhkWCA38GRXJe5Jd7Di7cp/edit?usp=sharing&ouid=108731997922646321851&rtpof=true&sd=true