Автономная характеристика микроструктуры трехмерных образцов с использованием машинного обучения

Представлен метод без учителя на основе машинного обучения (ML) для идентификации и характеристики микроструктур в трехмерных (3D) образцах, полученных с помощью моделирования методом молекулярной динамики, данных отслеживания частиц или экспериментов. Метод сочетает классификацию топологии, обработку изображений и алгоритмы кластеризации и применим к широкому спектру типов микроструктур, включая зерна в поликристаллических материалах, поры в пористых системах и структуры, формирующиеся в результате самоорганизации или направленной сборки в сложных растворах мягкой материи. Метод не требует априорного описания микроструктуры исследуемой системы и нечувствителен к разупорядоченности, такой как протяженные дефекты в поликристаллах, возникающие вследствие линейных и плоских дефектов. Количественно показано, что метод обеспечивает получение непредвзятой информации о микроструктуре, включая точное определение количества зерен и распределений их размеров в трехмерных поликристаллических образцах, характеристику таких особенностей, как поры и пористость, в трехмерных полимерных образцах, а также распределений размеров мицелл в трехмерных сложных жидкостях. Для демонстрации эффективности подхода на основе машинного обучения проведено его сравнение с разнообразным набором синтетических данных, представляющих нанокристаллические металлы, полимеры и сложные жидкости, а также с опубликованными экспериментальными данными характеризации. Метод обладает высокой вычислительной эффективностью и позволяет быстро идентифицировать, отслеживать и количественно оценивать сложные микроструктурные особенности, влияющие на наблюдаемое поведение материалов.