原子分辨率显微镜中的学习基序及其层次结构

新加坡国立大学的研究人员开发了一种机器学习方案，可以在没有人工监督的情况下快速识别无序材料中以前看不见的新结构。他们的研究发表在《科学进展》上。

理解高度无序的复杂材料是一项长期挑战。由新加坡国立大学物理与生物科学系助理教授 Duane Loh 和材料科学系教授 Stephen Pennycook 组成的研究团队创建了一个可以学习通用“词汇”的机器学习框架和“语法”来描述无序的系统。使用这个框架，他们发现范围广泛的无序材料可以在逻辑上分解为重复出现的图案及其组成规则。这些主题是可以大大简化我们如何理解甚至分类真实材料中的复杂疾病的基石。

许多形式的原子分辨率显微镜让我们能够窥探原子的秘密世界，原子的排列创造了现代文明所依赖的丰富材料。然而，这些材料中的原子在胁迫下的排列方式仍然是一个谜。不出所料，这些原子排列总是不完美的，充满了无序。事实上，由于这种无序排列的特性，许多材料都令人垂涎。

尽管机器视觉技术取得了进步，但从许多原子分辨率显微照片中学习原子排列规则仍远未实现自动化。这是因为原子排列对探测的脆弱性带来的挑战：来自每个原子的信号有限;原子类型之间的细微和非线性差异;以及来自实验显微照片的不可避免的和经验性的伪影。从技术上讲，这些挑战使得构建用于自动分析的机器模型变得困难。需要一种无监督的统计学习技术，这是一种特别棘手的机器学习形式。

研究小组使用一系列数学表达式(称为 Zernike 多项式)来量化原子排列中微妙的结构和化学特征。尽管原子方向不同，这些特殊的数学表达式可以有效地对特征进行建模。为了克服来自每个原子的有限信号，该团队推广了一种单粒子成像方法，该方法可以自动揭示无序材料中的不同构建块(即基序)。这种方法也足够稳健，因此成像伪影不会影响结果。

在以自动化方式从数以万计的原子中学习了图案后，该团队现在可以发现这些图案如何自组装成复杂但无序的层次结构。他们发现一些无序的材料只能用少数几个图案来描述;然而，由于复杂的母题-母题层次结构，这几个母题创造了不同的结构。相比之下，一些材料以一系列连续的图案开始，从而模糊了它们的图案和层次结构之间的界限。

Loh教授说：“这些motifs形成了无序材料的词汇，motif-motif层次结构其语法。这种motif-plus-hierarchy描述可以有意义地简化我们对无序材料的描述。幸运的是，这种描述导致了发现一种隐藏在高度无序催化材料中的新结构。”

“这项工作的第一作者丹嘉东博士正在重新审视我们合作者的显微照片，并发现了许多以前在无序材料中遗漏的结构见解，”Loh 教授补充道。

Dan 博士说：“我相信这种基序加层次方案可用于对材料的无序程度进行定量分类，并将为从原子分辨率显微照片中进行大规模机器学习打开大门。”

该团队希望将这个框架变成显微镜旁边的配套人工智能应用程序，以快速理解无序材料。