利用 IUPAC 命名法与属性多模态循环神经网络从 AFM 图像进行分子识别
材料科学
2025-09-03 v1 无序系统与神经网络
机器学习
摘要
尽管 AFM 配合 CO 功能化金属针尖是在原子尺度可视化分子的主要工具，它无法对观察到的分子进行化学识别。在此我们提出一种利用深度学习技术解决这一挑战性任务的策略。不同于遵循传统分类方法识别有限数目的分子，我们将分子识别定义为一个图像描述问题。我们设计了一种由两条多模态循环神经网络组成的架构，能够以 3D-AFM 图像栈为输入识别未知分子的结构与组成。该神经网络经训练以依据 IUPAC 命名规则给出每个分子的名称。为训练和测试该算法，我们使用新颖的 QUAM-AFM 数据集，其包含近 700,000 个分子与 1.65 亿张 AFM 图像。预测的准确度显著，通过累积 BLEU 4-gram（语言识别研究中的常用度量）量化的高分得以体现。
引用
@article{arxiv.2205.00449,
title = {Molecular Identification from AFM images using the IUPAC Nomenclature and Attribute Multimodal Recurrent Neural Networks},
author = {Jaime Carracedo-Cosme and Carlos Romero-Muñiz and Pablo Pou and Rubén Pérez},
journal= {arXiv preprint arXiv:2205.00449},
year = {2025}
}
备注
30 pages, 4 figures, 2 tables, includes supplementary information (with additional 21 pages, 9 figures, 1 table)