Nanoengineers vid University of California San Diego har utvecklat en datorbaserad metod som kan göra det mindre arbetskrävande att bestämma kristallstrukturerna för olika material och molekyler, inklusive legeringar, proteiner och läkemedel. Metoden använder en maskininlärningsalgoritm, liknande den typ som används i ansiktsigenkänning och självkörande bilar, att självständigt analysera elektrondiffraktionsmönster, och gör det med minst 95% noggrannhet.

Arbetet publiceras i 31 januari -numret av Vetenskap .

Ett team som leds av UC San Diego nanoengineering professor Kenneth Vecchio och hans doktorand. student Kevin Kaufmann, vem är den första författaren till tidningen, utvecklat det nya tillvägagångssättet. Deras metod innebär att man använder ett svepelektronmikroskop (SEM) för att samla in elektronbackspridningsdiffraktionsmönster (EBSD). Jämfört med andra elektrondiffraktionstekniker, såsom de i transmissionselektronmikroskopi (TEM), SEM-baserad EBSD kan utföras på stora prover och analyseras i skalor med flera längder. Detta ger lokal sub-mikron information mappad till centimeter skalor. Till exempel, ett modernt EBSD-system möjliggör bestämning av finskaliga spannmålsstrukturer, kristallorienteringar, relativ kvarvarande spänning eller belastning, och annan information i en enda skanning av provet.

Dock, nackdelen med kommersiella EBSD -system är mjukvarans oförmåga att bestämma atomstrukturen hos de kristallina gitter som finns i det material som analyseras. Detta innebär att en användare av den kommersiella programvaran måste välja upp till fem kristallstrukturer som antas finnas i provet och sedan försöker mjukvaran hitta troliga matchningar med diffraktionsmönstret. Diffraktionsmönstrets komplexa karaktär får ofta mjukvaran att hitta falska strukturmatchningar i listan över valda användare. Som ett resultat, noggrannheten i den befintliga programvarans bestämning av gallertypen beror på operatörens erfarenhet och förkunskaper om deras prov.

Metoden som Vecchios team utvecklat gör allt detta autonomt, som det djupa neurala nätverket oberoende analyserar varje diffraktionsmönster för att bestämma kristallgitteret, av alla möjliga typer av gitterstruktur, med en hög noggrannhet (större än 95%).

Ett brett spektrum av forskningsområden, inklusive farmakologi, strukturbiologi, och geologi förväntas dra nytta av att använda liknande automatiska algoritmer för att minska den tid som krävs för kristallstrukturell identifiering, sa forskare.