晶体材料是由原子、离子或分子以有序的三维结构排列而成的。它们被广泛用于半导体、制药、光伏和催化剂的开发。
晶体材料的结构类型在不断扩大，因为科学家们设计了新的材料来解决与能源储存、碳捕获和先进电子技术有关的新挑战。
然而，这种材料的开发需要精确的方法来识别它们。目前，粉末x射线衍射被广泛用于此目的。它通过检查粉末样品中的散射x射线来识别晶体材料的结构。然而，当处理含有具有不同结构、取向或成分的不同类型晶体的多相样品时，鉴定任务变得相当复杂。
在这种情况下，准确识别样品中存在的各种相依赖于科学家的专业知识，这使得该过程非常耗时。为了加快这一过程，创新的数据驱动方法，如机器学习，已被用于区分多相样本中的各个阶段。
虽然在利用它们收集已知相的信息方面取得了实质性进展，但在多相样品中识别未知相仍然是一个挑战。
然而，现在，研究人员提出了一种新的机器学习“二元分类器”模型，可以从多相粉末x射线衍射图中识别出二十面体准晶体(i-QC)相的存在——一种在衍射模式上具有自相似性的远程有序固体。
这项研究是由东京科学大学、国防学院、国家材料科学研究所、东北大学和统计数学研究所合作进行的。该研究由来自日本TUS的初级副教授Tsunetomo Yamada领导，并于2023年11月14日发表在《Advanced Science》杂志上。
“在世界各地，研究人员都试图利用人工智能和机器学习来预测新物质。然而，确定是否生产出所需的物质需要人类专家花费大量的时间和精力。因此，我们提出了使用深度学习来识别新阶段的想法，”山田博士解释说。
为了开发上述模型，研究人员首先使用80种卷积神经网络创建了一个“二元分类器”。接下来，他们使用合成的多相x射线衍射图训练分类器模型，该模型被设计为与i-QC相相关的预期模式的表示。在训练阶段之后，使用合成模式和实际模式数据库来评估模型的性能。
非常有趣的是，该模型的预测准确率超过92%。它还成功地鉴定了多相Al-Si-Ru合金中未知的i-QC相，用于筛选6种不同合金体系中未知材料的440个测量衍射图。利用透射电镜对材料的微观结构和组成进行分析，进一步证实了未知i-QC相的存在。
值得注意的是，所提出的深度学习方法具有识别i-QC阶段的能力，即使它不是混合物中最突出的组成部分。此外，该模型可用于新的十方和十二方qc的识别，并可扩展到各种类型的其他晶体材料。
“通过提出的模型，我们能够以高精度检测多相样品中存在的未知准晶相。因此，这种深度学习模型的准确性指出了加速多相样本阶段识别过程的可能性，”Yamada博士总结道。此外，山田博士和他的团队有信心，这个模型将导致材料科学领域的突破。
总之，这项研究是在鉴定准晶体中全新相方面迈出的重要一步，准晶体通常存在于介孔二氧化硅、矿物、合金和液晶等材料中。
