Nano-ingenieurs van de Universiteit van Californië in San Diego hebben een computergebaseerde methode ontwikkeld die het minder arbeidsintensief zou kunnen maken om de kristalstructuren van verschillende materialen en moleculen te bepalen, inclusief legeringen, eiwitten en geneesmiddelen. De methode maakt gebruik van een machine learning-algoritme, vergelijkbaar met het type dat wordt gebruikt in gezichtsherkenning en zelfrijdende auto's, om onafhankelijk elektronendiffractiepatronen te analyseren, en doe dit met een nauwkeurigheid van ten minste 95%.

Het werk is gepubliceerd in het nummer van 31 januari van: Wetenschap .

Een team onder leiding van UC San Diego nano-engineering professor Kenneth Vecchio en zijn Ph.D. leerling Kevin Kaufmann, wie is de eerste auteur van het artikel, de nieuwe aanpak ontwikkeld. Hun methode omvat het gebruik van een scanning-elektronenmicroscoop (SEM) om elektronen-terugverstrooiingsdiffractie (EBSD) -patronen te verzamelen. In vergelijking met andere elektronendiffractietechnieken, zoals die in transmissie-elektronenmicroscopie (TEM), Op SEM gebaseerde EBSD kan op grote monsters worden uitgevoerd en op meerdere lengteschalen worden geanalyseerd. Dit levert lokale submicron-informatie in kaart gebracht op centimeterschalen. Bijvoorbeeld, een modern EBSD-systeem maakt bepaling van fijnkorrelige korrelstructuren mogelijk, kristal oriëntaties, relatieve restspanning of spanning, en andere informatie in een enkele scan van het monster.

Echter, het nadeel van commerciële EBSD-systemen is het onvermogen van de software om de atomaire structuur van de kristallijne roosters in het te analyseren materiaal te bepalen. Dit betekent dat een gebruiker van de commerciële software maximaal vijf kristalstructuren moet selecteren waarvan wordt aangenomen dat ze in het monster aanwezig zijn en vervolgens probeert de software waarschijnlijke overeenkomsten met het diffractiepatroon te vinden. De complexe aard van het diffractiepatroon zorgt er vaak voor dat de software valse structuurovereenkomsten vindt in de door de gebruiker geselecteerde lijst. Als resultaat, de nauwkeurigheid van de bepaling van het roostertype door de bestaande software is afhankelijk van de ervaring van de operator en de voorkennis van hun monster.

De methode die het team van Vecchio heeft ontwikkeld, doet dit allemaal autonoom, aangezien het diepe neurale netwerk elk diffractiepatroon onafhankelijk analyseert om het kristalrooster te bepalen, uit alle mogelijke roosterstructuurtypes, met een hoge mate van nauwkeurigheid (meer dan 95%).

Een breed scala aan onderzoeksgebieden, waaronder farmacologie, structurele biologie, en geologie zullen naar verwachting profiteren van het gebruik van vergelijkbare geautomatiseerde algoritmen om de hoeveelheid tijd die nodig is voor kristalstructurele identificatie te verminderen, aldus onderzoekers.