Быстрая и интерпретируемая классификация небольших наборов данных рентгеновской дифракции с использованием расширения данных и глубоких нейронных сетей

Получение и анализ данных рентгеновской дифракции (XRD) являются одними из наиболее трудоемких этапов цикла разработки новых тонкопленочных материалов. Мы предлагаем подход на основе машинного обучения для прогнозирования кристаллографической размерности и пространственной группы по ограниченному числу рентгенодифракционных картин тонких пленок. Для преодоления проблемы нехватки данных, характерной для разработки новых материалов, мы сочетаем подход с учителем на основе машинного обучения с независимой от модели, физически обоснованной стратегией расширения данных, использующей смоделированные данные из Inorganic Crystal Structure Database (ICSD) и экспериментальные данные. В качестве тестового примера были синтезированы и классифицированы 115 тонкопленочных галогенидов металлов, относящихся к трем размерностям и семи пространственным группам. После тестирования различных алгоритмов мы разработали и реализовали полностью сверточную нейронную сеть; ее точность классификации размерности и пространственной группы при перекрестной проверке составила 93% и 89% соответственно. Для обеспечения высокой интерпретируемости модели исследователями-экспериментаторами мы предлагаем усредненные карты активации классов, рассчитанные по слою глобального усреднения, которые позволяют выявить коренные причины ошибочной классификации. Наконец, мы систематически оценили максимальный шаг рентгенодифракционной картины (скорость сбора данных), при котором еще не происходит снижения прогностической точности, и установили его равным 0,16° 2θ, что позволяет получить и классифицировать рентгенодифракционную картину за 5,5 мин или менее.