一種基於機器學習來確定未知樣品中晶體對稱性和結構的方法可大大提高該過程的速度和準確性，從而為在確定晶體結構中消除某些臆測提供了一種方法。這種新方法將晶體學帶入了AI（人工智能）的高通量世界。從地質學到生物學再到材料科學，確定晶體結構對於理解其一般特徵與屬性是至關重要的。
電子背散射衍射（EBSD）是識別晶體結構的標準技術，主要特點是在保留掃描電子顯微鏡的常規特點的同時進行空間分辨率亞微米級的衍射。EBSD不僅能測量各取向在樣品中所佔的比例，還能知道這些取向在顯微組織中的分佈，這是織構分析的全新方法。EBSD可應用於取向關係測量的範例有：推斷第二相和基體間的取向關係、穿晶裂紋的結晶學分析、單晶體的完整性、微電子內連使用期間的可靠性、斷口面的結晶學、高溫超導體沿結晶方向的氧擴散、形變研究、薄膜材料晶粒生長方向測量。然而，儘管功能強大，但EBSD要求用戶輸入有關結構的關鍵要素（例如結晶相），它既費時又容易出錯。
昨日，《科學》雜誌發表了來自美國加州大學聖地亞哥分校的最新科研成果，一種進行更多實作晶體學研究的完全自主的方法將為高通量評估材料屬性開啟門徑。科研人員Kevin Kaufmann和同事開發了一種自主性的基於機器學習的方法，它能以高度的準確性從EBSD數據中快速地確定晶體結構。
與其他電子衍射技術（例如，透射電子顯微鏡（TEM）中的那些）相比，基於SEM的EBSD可以在大樣品上進行並在多個長度範圍內進行分析。 這提供了映射到釐米刻度的局部亞微米信息。 例如，現代的EBSD系統可在樣品的一次掃描中確定精細晶粒結構，晶體取向，相對殘餘應力或應變以及其他信息。
科研人員用卷積神經網絡來確定EBSD模式圖像中獨特的晶體對稱性，所用的是結晶學家會用的相同的對稱特徵。該團隊開發的方法可以自動完成所有操作，因為深度神經網絡可以從所有可能的晶格結構類型中獨立分析每個衍射圖以確定晶格，並具有很高的準確度（大於95％）。
根據這些結果，經過訓練的算法能夠從未經訓練材料的衍射圖案中準確地識別和分類晶體結構的各個方面，而且幾乎不需要人力輸入。該平臺為高通量確定多個領域的結構開啟了大門。
卷積神經網絡的內部工作原理圖，可計算輸入衍射圖樣屬於給定類別（例如Bravais晶格或空間群）的概率
閱讀更多 有材有料有材料 的文章
