Интеллектуальная классификация кристаллических структур с использованием глубокого обучения

Вычислительные методы, автоматически извлекающие знания из данных, имеют решающее значение для развития материаловедения на основе данных. Надёжное определение симметрии решётки является важнейшим первым этапом характеристики и анализа материалов. Современные методы требуют задания пользователем порогового значения и не способны выявлять усреднённую симметрию дефектных структур. В настоящей работе предложен подход на основе машинного обучения для автоматической классификации структур по кристаллической симметрии. Сначала кристаллы представляются посредством расчёта дифракционного изображения, после чего для классификации строится модель нейронной сети глубокого обучения. Предложенный подход корректно классифицирует набор данных, включающий более 100 000 смоделированных кристаллических структур, в том числе структур с большим числом дефектов. Внутренние операции нейронной сети раскрываются с помощью карт внимательных откликов, которые показывают, что сеть использует те же ориентиры, что и специалист по материаловедению, хотя её никогда не обучали делать это явно. Результаты исследования открывают путь к распознаванию кристаллических структур по потенциально зашумлённым и неполным трёхмерным структурным данным в рамках материаловедения больших данных.