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)識別
2022-10-10  來源：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)方法通過定量化識別圖像的方法，解決上述問題。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，仍舊面臨著樣本量少且稀疏，黑箱模型解釋性差的問題。


  近日，浙江大學(xué)高翔副教授報(bào)道了一種通過機(jī)器學(xué)習(xí)方法定量識別聚合物材料微觀結(jié)構(gòu)的方法：該研究首次通過機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)了對于實(shí)驗(yàn)中所獲得的聚合物微觀結(jié)構(gòu)識別。對于樣本量少且稀疏的問題，采用了遷移學(xué)習(xí)的方法，通過使用模擬獲得的二元組份結(jié)構(gòu)圖預(yù)訓(xùn)練模型，再通過使用實(shí)驗(yàn)中獲得的樣本再次微調(diào)模型；對于黑箱模型解釋性差的問題，通過特征可視化的方法，獲得可以使用理化知識所解釋的結(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)生微相分離時會存在一系列組成不同的納米聚集區(qū)，對應(yīng)著不同的玻璃化溫度，最終體現(xiàn)為一個較寬的玻璃化轉(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別目標(biāo)（輸出）。

針對遷移學(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)簡稱aim-Net，圖2）用于訓(xùn)練。首先通過圖像剪裁進(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)生微相分離時會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)果對比圖


  根據(jù)神經(jīng)網(wǎng)絡(luò)所提取的特征，通過邊緣梯度提取定義模糊度，通過將全部輪廓周長加和定義分散度，通過像素極差定義對比度，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別的定量方程。通過該方程即可定量化計(jì)算圖像結(jié)構(gòu)對應(yīng)的玻璃化溫度寬度。通過對方程進(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規(guī)共聚物的存在，其最大的模糊程度卻對應(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）全部輪廓周長加和定義分散度（c）對特征進(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)知識所解釋；遷移學(xué)習(xí)的方法給模型引入了先驗(yàn)知識，同時降低了模型對于泛化性能的要求，在其他研究中隨時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，在美國化學(xué)會（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：中國聚合物網(wǎng)原創(chuàng)文章？锘蛎襟w如需轉(zhuǎn)載，請聯(lián)系郵箱：info@polymer.cn，并請注明出處。
（責(zé)任編輯：xu）
【大 中 小】【打印】【關(guān)閉】

誠邀關(guān)注高分子科技

更多>>最新資訊
更多>>科教新聞