目前的材料科學家一般通過分析一系列顯微照片來研究或描述工程材料的特性，包括從毫米到納米的復雜微觀結構。這些工作通常是由科學家個人手動完成的，有時還需要計算技術的輔助。這些以人為中心的工作流程存在嚴重的缺點，如對專業要求高、可重復性差、過程耗時長等。以納米級L12型有序結構為例，該結構被廣泛用于面心立方（FCC）合金中，以利用其硬化能力，從而提高機械性能。這些細尺度的顆粒通常與具有相同原子構型、不考慮化學種類的基體完全相干，這使得他們的表征具有挑戰性。空間分布圖（SDMs）用于通過詢問重建原子探針斷層掃描（APT）數據內原子的三維（3D）分布來探究局部秩序。然而，手動分析完整的點云（> 1000萬個）以尋找數據中保留的部分晶體學信息，幾乎是不可能的。

來自德國馬普所的Yue Li和Leigh T. Stephenson等提出了一種基于卷積神經網絡(CNNs)的策略，利用APT數據自動識別FCC基合金中的納米級L12型有序結構，具有超高的識別能力。該方法首先生成了模擬L12有序結構的SDMs和FCC矩陣。這些模擬圖像結合少量的實驗數據，用于訓練基于CNN的L12有序結構識別模型。最后，成功應用該方法揭示了FCC Al-Li-Mg體系中平均半徑為2.54 nm的L12型δ'-Al3（LiMg）納米顆粒的3D分布?？蓹z測得納米域最小半徑甚至低至5 ?。所提出的CNN-APT方法很有希望在不久的將來擴展到識別其他納米級的有序結構，甚至更有挑戰性的短程有序現象中。

原文標題：npj: 卷積神經網絡計算—精確識別納米級有序結構

文章出處：【微信公眾號：知社學術圈】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq