利用多模态计算机视觉揭示材料微观结构中秩序的演化

用于微电子、能量存储和极端环境的高性能材料的开发，依赖于我们描述和引导决定性质的微观结构秩序的能力。目前的理解通常源自对成像和光谱数据的繁琐人工分析，这难以规模化、难以复现，且缺乏揭示机制模型所需潜在关联的能力。在此，我们展示了一种多模态机器学习（ML）方法，通过电子显微镜分析复杂氧化物 La$_{1-x}$Sr$_x$FeO$_3$ 来描述秩序。我们构建了一个基于全监督和半监督分类的混合流水线，使我们能够评估每种数据模态的特征以及每种模态对集成的贡献。我们观察到单模态和多模态模型性能的显著差异，从中得出了使用计算机视觉描述晶体秩序的一般经验。