Çalışma bugün Science dergisinde yayınlandı.

Geliştirilen yöntem, elektron geri saçılma kırınımı (EBSD) örneklerini toplamak için taramalı elektron mikroskobunun (SEM) kullanılmasını içermektedir. Transmisyon elektron mikroskobunda (TEM) olanlar gibi diğer elektron kırınım teknikleri ile karşılaştırıldığında, SEM bazlı EBSD büyük numuneler üzerinde gerçekleştirilebilir ve çoklu uzunluk ölçeklerinde analiz edilebilir. Örneğin, modern bir EBSD sistemi, numunenin tek bir taranmasında ince ölçekli tane yapılarının, kristal yönlenmesini, gerinim ve diğer bilgilerin belirlenmesini sağlar.

Bununla birlikte, ticari EBSD sistemlerinin dezavantajı, yazılımın analiz edilen malzeme içinde mevcut olan kristal kafeslerin atomik yapısını belirleyememesidir. Bu, ticari yazılım kullanıcısının örnekte olduğu varsayılan beş kristal yapıyı seçmesi gerektiği ve daha sonra yazılımın kırınım modeliyle olası eşleşmeleri bulmaya çalışması gerektiği anlamına gelir. Kırınım modelinin karmaşık doğası, genellikle yazılımın kullanıcı tarafından seçilen listede yanlış yapı eşleşmeleri bulmasına neden olur. Sonuç olarak, mevcut yazılımın kafes tipini belirlemesinin doğruluğu, operatörün deneyimine ve örneklerini önceden bilmesine bağlıdır.

UC San Diego nano-mühendislik profesörü Kenneth Vecchio ve ekibinin geliştirdiği yöntem, tüm bunları özerk bir şekilde yapar, çünkü derin öğrenme ağı, olası tüm kafes yapı tiplerinden kristal kafesi belirlemek için her bir kırınım modelini bağımsız olarak ve yüksek doğrulukla (% 95'ten fazla) analiz eder.

Araştırmacılar, farmakoloji, yapısal biyoloji ve jeoloji dahil olmak üzere çok çeşitli araştırma alanlarının, kristal yapısal tanımlama için gereken süreyi azaltmak için benzer otomatik algoritmalar kullanmanın fayda sağlayacağını belirtiyor.

Kaynak: https://phys.org/