用于互补结构表征技术数据关联与交叉重建的配对变分自编码器（PairVAE）
软凝聚态物质
2023-05-29 v1 材料科学
计算机视觉与模式识别
机器学习
摘要
在材料研究中，结构表征通常需要多种互补技术以获得合成材料的整体形貌视图。根据各表征技术（如散射、显微术、光谱学）的可用性与可及性，每个研究设施或学术研究实验室可能具备某一技术的高通量能力，但在其他技术上存在局限（样品制备、分辨率、机时）。此外，一类结构表征数据可能比另一类更易解读（如显微图像比小角散射曲线更易解读）。因此，拥有可在多种技术的配对结构表征数据上训练的机器学习模型是有用的，从而可由一种表征数据生成另一种。本文展示了一种此类机器学习工作流 PairVAE，其处理来自小角 X 射线散射（SAXS）的、呈现体相形貌信息的数据，以及来自扫描电子显微镜（SEM）的、呈现样品二维局域结构信息的数据。利用新型嵌段共聚物组装形貌的配对 SAXS 与 SEM 数据 [Doerk G.S. 等人开放获取数据，Science Advances. 2023 Jan 13;9(2): eadd3687]，我们训练了 PairVAE。成功训练后，我们证明当输入某样品对应的 SAXS 二维图样时，PairVAE 可生成该嵌段共聚物形貌的 SEM 图像，反之亦然。该方法也可推广至其他软材料形貌，并可作为轻松解读二维 SAXS 图样以及为结构-性能关系下游计算建立数据库的宝贵工具。
引用
@article{arxiv.2305.16467,
title = {Pair-Variational Autoencoders (PairVAE) for Linking and Cross-Reconstruction of Characterization Data from Complementary Structural Characterization Techniques},
author = {Shizhao Lu and Arthi Jayaraman},
journal= {arXiv preprint arXiv:2305.16467},
year = {2023}
}
备注
23 pages, 7 figures