Journal of Analytical Science & Technology· 2026Q2
Varyasyonel Otomatik Kodlayıcı Malzeme Yapısı Segmentasyonu İçin Otomatikleştiriyor
Variational Auto Encoder for automated structure segmentation of materials
- 0atıf
- Q2SCImago
- 2026yıl
Kısa özet
Gabor filtreleme, VAE ve k-means kümelemesini kullanan yeni bir denetimsiz derin öğrenme çerçevesi, atomik çözünürlüklü STEM görüntülerindeki yapısal özelliklerin segmentasyonunu otomatikleştirerek geleneksel doğrusal yöntemlerden daha iyi performans gösteriyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Gabor filtreleme, VAE ve k-means kümelemesini entegre eden denetimsiz bir derin öğrenme çerçevesi geliştirildi.
- Polikristalin metalik nanopartiküllerde tane yönelimleri ve yüzey yeniden yapılanmaları başarıyla segment edildi.
- LLO malzemesinde C2/m ve R-3 m fazları arasında ayrım yapıldı.
- VAE tabanlı doğrusal olmayan yaklaşım, karmaşık yapısal varyasyonları yakalamak için NMF gibi geleneksel doğrusal yöntemlere göre avantajlar sunar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Atomic-scale structural heterogeneity plays a crucial role in determining the properties of nanomaterials and complex energy systems. High-resolution STEM imaging provides critical insights into these structures, but conventional segmentation techniques often struggle with intricate patterns, relying on linear dimensionality reduction (e.g., NMF) and manual interpretation. In this study, we introduce an unsupervised deep learning framework that integrates Gabor filtering, VAE, and k-means clustering to systematically classify structural features in atomic-resolution images, with demonstrated applicability to different material systems. To demonstrate the versatility of this approach, we apply it to two distinct material systems: (1) polycrystalline metallic nanoparticles, where it successfully segments grain orientations and surface reconstructions, and (2) LLO, where it distinguishes C2/m and R-3 m phases. By leveraging a nonlinear latent space representation, our method provides a complementary framework to traditional linear techniques (e.g., NMF) for capturing complex structural variations, reducing subjective biases and enhancing scalability for automated materials characterization across diverse crystalline systems.
Yazarların özeti; kaynağından alınmıştır. Journal of Analytical Science & Technology, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Structural BiologyBiochemistry, Genetics and Molecular Biology