原子分辨率顯微鏡中的學習基序及其層次結構

新加坡國立大學的研究人員開發了一種機器學習方案，可以在沒有人工監督的情況下快速識別無序材料中以前看不見的新結構。他們的研究發表在《科學進展》上。

理解高度無序的復雜材料是一項長期挑戰。由新加坡國立大學物理與生物科學系助理教授 Duane Loh 和材料科學系教授 Stephen Pennycook 組成的研究團隊創建了一個可以學習通用“詞匯”的機器學習框架和“語法”來描述無序的系統。使用這個框架，他們發現范圍廣泛的無序材料可以在邏輯上分解為重復出現的圖案及其組成規則。這些主題是可以大大簡化我們如何理解甚至分類真實材料中的復雜疾病的基石。

許多形式的原子分辨率顯微鏡讓我們能夠窺探原子的秘密世界，原子的排列創造了現代文明所依賴的豐富材料。然而，這些材料中的原子在脅迫下的排列方式仍然是一個謎。不出所料，這些原子排列總是不完美的，充滿了無序。事實上，由于這種無序排列的特性，許多材料都令人垂涎。

盡管機器視覺技術取得了進步，但從許多原子分辨率顯微照片中學習原子排列規則仍遠未實現自動化。這是因為原子排列對探測的脆弱性帶來的挑戰：來自每個原子的信號有限;原子類型之間的細微和非線性差異;以及來自實驗顯微照片的不可避免的和經驗性的偽影。從技術上講，這些挑戰使得構建用于自動分析的機器模型變得困難。需要一種無監督的統計學習技術，這是一種特別棘手的機器學習形式。

研究小組使用一系列數學表達式(稱為 Zernike 多項式)來量化原子排列中微妙的結構和化學特征。盡管原子方向不同，這些特殊的數學表達式可以有效地對特征進行建模。為了克服來自每個原子的有限信號，該團隊推廣了一種單粒子成像方法，該方法可以自動揭示無序材料中的不同構建塊(即基序)。這種方法也足夠穩健，因此成像偽影不會影響結果。

在以自動化方式從數以萬計的原子中學習了圖案后，該團隊現在可以發現這些圖案如何自組裝成復雜但無序的層次結構。他們發現一些無序的材料只能用少數幾個圖案來描述;然而，由于復雜的母題-母題層次結構，這幾個母題創造了不同的結構。相比之下，一些材料以一系列連續的圖案開始，從而模糊了它們的圖案和層次結構之間的界限。

Loh教授說：“這些motifs形成了無序材料的詞匯，motif-motif層次結構其語法。這種motif-plus-hierarchy描述可以有意義地簡化我們對無序材料的描述。幸運的是，這種描述導致了發現一種隱藏在高度無序催化材料中的新結構。”

“這項工作的第一作者丹嘉東博士正在重新審視我們合作者的顯微照片，并發現了許多以前在無序材料中遺漏的結構見解，”Loh 教授補充道。

Dan 博士說：“我相信這種基序加層次方案可用于對材料的無序程度進行定量分類，并將為從原子分辨率顯微照片中進行大規模機器學習打開大門。”

該團隊希望將這個框架變成顯微鏡旁邊的配套人工智能應用程序，以快速理解無序材料。