从EBSD图案确定空间群：深度学习与高通量动力学模拟的作用

新型材料的设计取决于对结构-性质关系的理解。然而，近年来，我们合成大量材料的能力已超过表征其速度。虽然合成过程中可轻易获取材料的整体化学成分，但新合成样本的结构演化和表征仍成为高通量纳米材料发现的瓶颈。因此，尤其需要可扩展的方法，以在短时间内分析大量材料样本的晶体对称性。Kikuchi衍射在扫描电子显微镜中因其对动力学散射的敏感性而成为有前景的技术，这可能提供远超七种晶体系统和十四个布拉华格拉斯的更多信息。收集样本的衍射图案后，深度学习方法可将图案作为输入来预测空间群对称性，结合元素组成将有助于确定晶体结构。为探讨此解决方案的可行性，我们训练了神经网络来预测背景校正EBSD图案的空间群类型。首先，我们在由基于物理的动力学模拟创建的5148种不同立方相的人造数据集上训练和测试神经网络。随后，利用无监督深度学习基于域适应的方法——最大分类器不确定性（Maximum Classifier Discrepancy），训练神经网络以对实验EBSD图案进行预测。我们引入一种重新标记方案，使模型在模拟和实验数据上的准确率得高于90%，表明神经网络能够从EBSD图案中预测晶体对称性。