80电影天堂网,少妇高潮一区二区三区99,jαpαnesehd熟女熟妇伦,无码人妻精品一区二区蜜桃网站

搜索：  
浙江大學(xué)高翔團(tuán)隊(duì) ACS AMI：機(jī)器學(xué)習(xí)方法輔助共聚物微觀結(jié)構(gòu)識(shí)別
2022-10-10  來(lái)源：高分子科技

  聚合物材料的微觀結(jié)構(gòu)由分子結(jié)構(gòu)所決定，同時(shí)包含著宏觀性質(zhì)的信息，在聚合物材料設(shè)計(jì)中起到承上啟下的關(guān)鍵作用。隨著聚合物材料不斷發(fā)展，其微觀結(jié)構(gòu)之間的差距逐漸趨同，難以使用人眼區(qū)分，而機(jī)器學(xué)習(xí)方法通過(guò)定量化識(shí)別圖像的方法，解決上述問(wèn)題。但當(dāng)使用實(shí)驗(yàn)中獲得的少量結(jié)構(gòu)圖像進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練時(shí)，仍舊面臨著樣本量少且稀疏，黑箱模型解釋性差的問(wèn)題。


  近日，浙江大學(xué)高翔副教授報(bào)道了一種通過(guò)機(jī)器學(xué)習(xí)方法定量識(shí)別聚合物材料微觀結(jié)構(gòu)的方法：該研究首次通過(guò)機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)了對(duì)于實(shí)驗(yàn)中所獲得的聚合物微觀結(jié)構(gòu)識(shí)別。對(duì)于樣本量少且稀疏的問(wèn)題，采用了遷移學(xué)習(xí)的方法，通過(guò)使用模擬獲得的二元組份結(jié)構(gòu)圖預(yù)訓(xùn)練模型，再通過(guò)使用實(shí)驗(yàn)中獲得的樣本再次微調(diào)模型；對(duì)于黑箱模型解釋性差的問(wèn)題，通過(guò)特征可視化的方法，獲得可以使用理化知識(shí)所解釋的結(jié)果。最終獲得的神經(jīng)網(wǎng)絡(luò)模型R2可達(dá)0.99，MAE誤差僅為3.11。


圖1  機(jī)器學(xué)習(xí)流程示意圖


  該工作使用課題組前期通過(guò)RAFT活性乳液聚合制備的不同鏈序結(jié)構(gòu)的共聚物AFM圖像（Adv. Mater., 2013, 25: 743-748）作為模型輸入，由于梯度共聚物發(fā)生微相分離時(shí)會(huì)存在一系列組成不同的納米聚集區(qū)，對(duì)應(yīng)著不同的玻璃化溫度，最終體現(xiàn)為一個(gè)較寬的玻璃化轉(zhuǎn)變區(qū)間，非常適合用于阻尼材料。相比之下，嵌段共聚物和無(wú)規(guī)共聚物的玻璃化溫度寬度則較窄，這一點(diǎn)可以很直觀的在微觀結(jié)構(gòu)圖像中體現(xiàn)。因此該研究選擇采用玻璃化溫度寬度作為識(shí)別目標(biāo)（輸出）。

針對(duì)遷移學(xué)習(xí)，數(shù)據(jù)本身特點(diǎn)以及后續(xù)的特征可視化操作，設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)（后續(xù)簡(jiǎn)稱aim-Net，圖2）用于訓(xùn)練。首先通過(guò)圖像剪裁進(jìn)行圖像的數(shù)據(jù)增強(qiáng)，隨后根據(jù)文獻(xiàn)中（npj Comput Mater 2019, 5, 95.）的方法使用Cahn-Hilliard方程生成的模擬圖像進(jìn)行模型的預(yù)訓(xùn)練，再次使用實(shí)驗(yàn)中獲取的AFM圖像微調(diào)模型的參數(shù)。最終獲得十分出色的分類與回歸結(jié)果（圖3）。



圖2  針對(duì)遷移學(xué)習(xí)與特征可視化方法所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)



圖3 原始圖片獲取與訓(xùn)練結(jié)果（a）PS-nBA共聚物，從左至右分別為兩嵌段共聚物，三嵌段共聚物，線形梯度共聚物，V形梯度共聚物，無(wú)規(guī)共聚物，（b）圖像剪裁進(jìn)行數(shù)據(jù)增強(qiáng)，（c）使用卷積神經(jīng)網(wǎng)絡(luò)獲得的回歸結(jié)果，（d）使用卷積神經(jīng)網(wǎng)絡(luò)獲得的分類結(jié)果


  為了降低神經(jīng)網(wǎng)絡(luò)模型的黑箱屬性，提高模型的解釋性，研究選擇使用特征可視化的方式提取神經(jīng)網(wǎng)絡(luò)所選擇的特征。該方法可以簡(jiǎn)單理解為直觀讀取“AI眼中”的AFM圖像。從結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)所提取的特征位于AFM圖像的相區(qū)邊緣位置。如上述討論，梯度共聚物在發(fā)生微相分離時(shí)會(huì)形成一系列組成不同的納米聚集區(qū)，但嵌段聚合物微相分離時(shí)納米聚集區(qū)的組成呈現(xiàn)突躍變化，因此前者相區(qū)交界處十分模糊，而后者的邊界十分清晰。正是這樣的模糊邊界存在帶來(lái)了寬的玻璃化溫度范圍，這意味著神經(jīng)網(wǎng)絡(luò)模型提取的特征準(zhǔn)確的描述了對(duì)宏觀性質(zhì)產(chǎn)生最關(guān)鍵影響的微觀結(jié)構(gòu)，特征可視化的方法極大的提高了模型的解釋性。研究進(jìn)一步對(duì)比了遷移學(xué)習(xí)前后和ResNet系列網(wǎng)絡(luò)的特征可視化結(jié)果，發(fā)現(xiàn)針對(duì)性設(shè)計(jì)的aim-Net在遷移學(xué)習(xí)后獲得了最為清晰的相區(qū)邊界，進(jìn)一步證明了遷移學(xué)習(xí)的有效性（圖4）。


圖4 （a）使用Guided-Back Propagation算法以及Smooth Grad算法進(jìn)行特征可視化的結(jié)果（b）兩嵌段共聚物（DI）在不同網(wǎng)絡(luò)以及遷移學(xué)習(xí)前后可視化結(jié)果對(duì)比圖（c）三嵌段共聚物（TRI）在不同網(wǎng)絡(luò)以及遷移學(xué)習(xí)前后可視化結(jié)果對(duì)比圖


  根據(jù)神經(jīng)網(wǎng)絡(luò)所提取的特征，通過(guò)邊緣梯度提取定義模糊度，通過(guò)將全部輪廓周長(zhǎng)加和定義分散度，通過(guò)像素極差定義對(duì)比度，將提取特征進(jìn)行9種非線性變化，進(jìn)行線性回歸后可以獲得圖像識(shí)別的定量方程。通過(guò)該方程即可定量化計(jì)算圖像結(jié)構(gòu)對(duì)應(yīng)的玻璃化溫度寬度。通過(guò)對(duì)方程進(jìn)一步分析，可以發(fā)現(xiàn)一些相關(guān)關(guān)系與我們的先驗(yàn)知識(shí)相悖，例如模糊程度與玻璃化溫度寬度呈現(xiàn)負(fù)相關(guān)關(guān)系。產(chǎn)生這種現(xiàn)象的原因是因?yàn)闊o(wú)規(guī)共聚物的存在，其最大的模糊程度卻對(duì)應(yīng)了最低的玻璃化溫度寬度，最終導(dǎo)致了這種現(xiàn)象。這進(jìn)一步證明了定量化識(shí)別圖像結(jié)構(gòu)的意義，當(dāng)多種不同規(guī)律甚至相反規(guī)律耦合之后，只有進(jìn)行了量化定義，才會(huì)獲得最終的圖像結(jié)構(gòu)與宏觀性質(zhì)的變化規(guī)律（圖5）。


圖5 （a）邊緣梯度提取定義模糊度（b）全部輪廓周長(zhǎng)加和定義分散度（c）對(duì)特征進(jìn)行9種非線性變換（d）獲得定量化公式（e）定量化公式回歸結(jié)果小提琴圖


  該工作的研究意義在于首次提出了一種針對(duì)實(shí)驗(yàn)中所獲得的少量圖像，構(gòu)建出的高精度可解釋的機(jī)器學(xué)習(xí)識(shí)別模型。特征可視化的方法使得模型可以使用先驗(yàn)的物理化學(xué)知識(shí)所解釋；遷移學(xué)習(xí)的方法給模型引入了先驗(yàn)知識(shí)，同時(shí)降低了模型對(duì)于泛化性能的要求，在其他研究中隨時(shí)可以使用少量樣本再次微調(diào)模型，獲得更具有適用性的識(shí)別模型。相關(guān)工作以“Machine Learning-Assisted Identification of Copolymer Microstructures Based on Microscopic Images”為題，在美國(guó)化學(xué)會(huì)（ACS）期刊《ACS Applied Materials & Interfaces》發(fā)表（DOI: 10.1021/acsami.2c15311）。文章的第一作者是浙江大學(xué)2020級(jí)直博生徐涵，通訊作者為浙江大學(xué)高翔副教授。該研究工作得到國(guó)家自然科學(xué)基金的支持。


  原文鏈接：https://pubs.acs.org/doi/10.1021/acsami.2c15311

版權(quán)與免責(zé)聲明：中國(guó)聚合物網(wǎng)原創(chuàng)文章？锘蛎襟w如需轉(zhuǎn)載，請(qǐng)聯(lián)系郵箱：info@polymer.cn，并請(qǐng)注明出處。
（責(zé)任編輯：xu）
【大 中 小】【打印】【關(guān)閉】

誠(chéng)邀關(guān)注高分子科技

更多>>最新資訊
更多>>科教新聞