一种基于机器学习来确定未知样品中晶体对称性和结构的方法可大大提高该过程的速度和准确性，从而为在确定晶体结构中消除某些臆测提供了一种方法。这种新方法将晶体学带入了AI（人工智能）的高通量世界。从地质学到生物学再到材料科学，确定晶体结构对于理解其一般特征与属性是至关重要的。电子背散射衍射（EBSD）是识别晶体结构的标准技术。然而，尽管功能强大，但EBSD要求用户输入有关结构的关键要素（例如结晶相），它既费时又容易出错。据作者披露，一种进行更多实作晶体学研究的完全自主的方法将为高通量评估材料属性开启门径。Kevin Kaufmann和同事开发了一种自主性的基于机器学习的方法，它能以高度的准确性从EBSD数据中快速地确定晶体结构。作者用卷积神经网络来确定EBSD模式图像中独特的晶体对称性，所用的是结晶学家会用的相同的对称特征。根据这些结果，经过训练的算法能够从未经训练材料的衍射图案中准确地识别和分类晶体结构的各个方面，而且几乎不需要人力输入。该平台为高通量确定多个领域的结构开启了大门。
###
Journal
Science