材料能的进步昌江管道保温工程，实质上依赖于对材料里面结构的贯通。

扫描式 X 射线衍射微工夫（SXDM）是种诓骗衍射对比度对材料结构信息进行空间分辨成像的表征工夫，比年来成为见解材料纳米圭臬结构的浩大器用之。然则，在 SXDM 数据见解过程中，个要害挑战在于光束局面与局域晶格信息之间存在卷积关系。传统法往往通过与模拟数据进行拟合，将这些相互耦合的结构参数分离出来，但这过程计算资本昂，何况度依赖于数据预处理设施。

与此同期，东说念主工智能工夫安宁运转参加 X 射线科学域——监督学习模子仍是在布拉格相关衍射成像（BCDI）、X射线叠层成像（ptychography）以及电子微分析等域展现出著的数据处理势。然则，监督学习存在个中枢限定：其需要多半质地标注锤真金不怕火数据集，但这并非易事。面，生成模拟数据需要厚的域学问；另面，对实验数据进行东说念主工见解往往需要多半时代和计算资源。此外，模拟数据与的确凿验环境之间也可能存在各异，使模子泛化智力受到限定。

在此布景下，来自好意思国动力部阿贡国实验室的筹谋团队建议了基于监督锤真金不怕火的纳米光束衍射分析法 DONUT（Diffraction with Optics for Nanobeam by Unsupervised Training），这是种面向快速、自动化纳米束衍射数据分析的物理感知神经网罗。该法需依赖标注数据集或预锤真金不怕火模子，从而克服了监督式机器学习法在 X 射线科学域应用中的根柢限定。实验考证标明，DONUT 大致准确提真金不怕火数据中的一说念特征，其分析率比较传统拟正当进步过 200 倍。

关系筹谋后果以「DONUT: physics-aware machine learning for real-time X-ray nanodiffraction analysis」为题，已刊登 npj Computational Materials。

筹谋亮点：

* 通过将可微分几何衍射模子奏凯嵌中计罗架构中，DONUT 大致及时学习并瞻望晶体晶格应变和取向信息

* DONUT 不错基于实验数据进行锤真金不怕火，其分析速率比较传统法进步过 200 倍，同期大致以精度分离相互卷积的结构参数

* 新框架为 SXDM 数据的及时、自动化分析提供了种机动且矜重的工夫旅途，并有望加快对动态条目下复杂材料体系的探索与筹谋

论文地址：

https://www.nature.com/articles/s41524-025-01860-7

改变了传统 AI 模子依赖东说念主工标签数据的锤真金不怕火式

DONUT 的中枢立异之，在于改变了传统 AI 模子依赖东说念主工标签数据的锤真金不怕火式。但关于复杂材料体系而言，这类标签数据十分有限。因此，DONUT 袭取了种物理抑遏下的监督学习式，让模子奏凯从衍射数据中学习材料结构信息。

模拟数据

在筹谋中，筹谋团队先构建了模拟衍射数据集，用于考证 DONUT 模子的基本智力。模拟数据障翳了晶格应变、面内旋转以及面外旋转三个要害结构参数，其中：

应变参数 ε 限制配置为：-0.005 至 0.005；昌江管道保温工程

面内晶格旋转角 ω 限制为：-0.05° 至 0.05°；

面外晶格旋转角 χ 限制为：-0.1° 至 0.1°。

筹谋东说念主员共生成了 68,921 张 64×64 像素的模拟衍射图像，每个模拟衍射图案先被缩放，使其强度散播与实验测量扫尾匹配，随后昌江管道保温工程通过泊松散播采样，以模拟的确凿验中的噪声情况。实验数据集由次样品扫描构成，扫描区域障翳样品上的 165 × 165 个位置。其中，在探伤器上中式 128 × 128 像素的感酷好区域（Region of Interest，ROI），并卓绝下采样至 64 × 64 像素，以提信噪比。

实验数据

实验数据用于评估 DONUT 相较于现时的传统数据分析法的能。

先，在探伤器图像中选用个感酷好区域（ROI），确保该区域障翳竣工测得的衍射峰。随后，对该 ROI 内的像素进行分箱处理（binning），行将每个 2 × 2 像素阵列团聚为个像素值，以进步信噪比。诓骗基于物理规章的前向散射模子，生成个障翳晶格参数空间限制的模拟衍射图案库（simulated diffraction library）。

关于每个实验测得的衍射图案，将其分别与模拟衍射图案库中的每个模拟图案进行相乘，从而生成系列关系矩阵。随后，沿每个晶格参数轴向对关系矩阵进行投影，并通过对投影扫尾的质心（center of mass）进行加权乞降插值，取得每个参数对应的关系值。

终使用的数据集（模拟数据、实验数据或二者组合）被当场区别为：锤真金不怕火集（80）、考证集（10）以及测试集（10）。

将材料科学中的物理规章奏凯融入神经网罗结构

DONUT 架构配置在种物理感知自编码器（physics-aware autoencoder）的基础之上。然则，自编码器濒临的个浩大挑战是潜在空间的可解释问题，因为由数据驱动生成的镶嵌线路可能穷乏奏凯的物理风趣。为了责罚这问题，筹谋东说念主员往往会在网罗架构或亏本函数中引入基于物理规章的抑遏，举例强制对称、守恒定律或域特定先验学问。DONUT 袭取了访佛的法，合座进程如下图所示：

DONUT 模子架构及自监督锤真金不怕火过程默示图

该网罗以二维衍射图案算作输入，该图像先经过卷积神经网罗（CNN）编码器（下图 b）处理，被压缩为低维潜在空间向量。按照假想，该潜在向量包含三个元素，分别代表所柔和的物理量：应变（ε，即动量篡改矢量 Q 的相对幅值）、面内旋转（ω，即 Q 在水平散射平面内的相对旋转角度）以及面外旋转（χ，即 Q 垂直于散射平面的相对旋转角度）。这三个立物理量分别对基于物理模子模拟得到的强度散播产生影响，从而抑遏编码器只可瞻望具有物理风趣的数值。

基于卷积神经网罗（CNN）的自编码器各层结构默示图

随后，该潜在向量同期输入两个并行分支：

* 与编码器结构对称的解码器分支，用于凭据潜在向量重构输入衍射强度的去噪版块；

* 基于物理模子的前向模子分支，该模子诓骗潜在参数（ε、ω 和 χ）模拟衍射强度。

网罗通过小化复合亏本函数进行锤真金不怕火。该亏本函数为原始输入图像与两个分支输出扫尾之间的加权平均对误差（MAE），铁皮保温其中两个输出分别为解码器重构扫尾以及基于物理模子的模拟扫尾（后者不包含可锤真金不怕火参数）。在锤真金不怕火过程中，网罗约束迭代革新自编码器权重，使生成图像与输入实验数据逐步匹配。这种双指标化战术确保编码器大致在潜在空间中学习并生成与指标结构参数相对应的、具有物理准确和鲁棒的数值线路。

竣工的 DONUT 模子具有三个终输出：

* 输入衍射数据对应的潜在空间张量，其中包含应变、面内晶格旋转以及面外晶格旋转信息

* 输入图像经过解码器重构后的图像（即输入图像的去噪扫尾）

* 基于物理抑遏衍射模子生成的模拟衍射图案

通过将竣工的、可微分的物理过程镶嵌神经网罗架构中，DONUT 强制潜在空间变量对应具体的物理量，从而确保模子瞻望扫尾不仅具有计算率，同期具备科学可解释。

DONUT 分析率比较传统拟正当著进步

为了考证 DONUT 的实践智力，筹谋团队分别在模拟数据和的确凿验数据上进行了测试，并将扫尾与传统关系拟正当以及此前拓荒的监督式度学习模子进行了比较。

模拟数据上的能表示（Performance on simulated data）

下图展示了 DONUT 瞻望扫尾与传统关系拟合分析法之间的对比：

诓骗传统拟正当和 DONUT 对模拟扫描式 X 射线纳米探针衍射微测量数据进行特征提真金不怕火

上图 b 示，传统分析法法、系统地区分应变特征和面内晶格旋转特征。具体而言，应变特征的周期结构会明出当今面内晶格旋转图中（中间图），反之也是，评释两类结构信息之间存在明的交叉耦合。比较之下，DONUT（上图 c）大致明晰分离应变信号和面内晶格旋转信号，同期大致准确瞻望应变幅值，而传统分析法会估应变值。

实验数据上的能表示（Performance on experimental data）

接着，筹谋东说念主员诓骗 SrIrO₃ 薄膜的实验 SXDM 数据对 DONUT 进行评估，并将其能分别与传统关系拟正当以及此前拓荒的种监督式度学习模子进行比较。

如下图所示，DONUT 的瞻望扫尾（下图 b）在定上与传统分析扫尾（下图 a）保抓致，但杀青了著改造。要害在于，传统法存在明的交叉纷扰伪影——举例旋转特征作假地出当今应变散播图中，而 DONUT 则大致对不同参数进行明晰且相互立的分离。

实验数据上传统拟正当与 DONUT 的能对比

同期，DONUT 展现出的保真度：它大致见解衍射质心空间散播图中两个较大旋转畴之间的良好条纹结构，而监督式法法杀青这点。这扫尾标明，基于物理抑遏的监督法不仅排斥了对标注数据的需求，同期还大致在特征提真金不怕火面杀青精度。

筹谋东说念主员还卓绝彭胀了 SXDM 分析智力，在已有的应变和晶格旋转参数基础上，加多了薄膜厚度瞻望维度。SXDM 大致通过局域总强度变化以及劳厄回荡（Laue oscillations）周期变化（即探伤器坐标系中干与条纹位置的改变），感知晶体薄膜厚度的不均匀。下图展示了 DONUT 对模拟样品（左侧）和实验测量样品（右侧）的薄膜厚度瞻望扫尾：

诓骗扫描式 X 射线纳米探针衍射微工夫测量得到的 SrIrO₃ 002pc 衍射峰对比度特征

与应变和晶格旋转分析不同，薄膜厚度的传统分析扫尾与神经网罗理扫尾存在较大各异（上图 a，右侧），何况两种法各具势。关系拟合扫尾示，该薄膜厚度散播度均匀，这得当诓骗分子束外延制备的结晶质地薄膜的预期。然则，该法严重估了薄膜厚度，其瞻望值达到 136 Å，而实践厚度仅为 30 个晶胞对应的 120 Å。比较之下，DONUT 对薄膜厚度的瞻望加合理，平均约为 110 Å。

固然薄膜厚度瞻望仍存在定不笃定，但这扫尾解释，DONUT框架具有彭胀智力，不错通过加多潜在空间参数，杀青多材料结构信息瞻望。

除了精度进步，DONUT凸起的势是计算率。筹谋东说念主员测试发现，在疏浚 NVIDIA GeForce RTX 3090 GPU 硬件条目下：传统关系拟合分析法处理每帧数据需要 5.6±0.4 ms，其中每帧数据为 64 × 64 像素、单精度浮点状貌（32 位）。比较之下，DONUT 编码器完成次理仅需 0.024±0.001 ms，在疏浚 GPU 硬件条目下，比传统分析法快过 230 倍，其能与此前报说念的监督式度学习法 NanobeamNN（0.019±0.001 ms）特等。

结语

DONUT 是种用于快速、准确分析扫描式 X 射线纳米衍射微数据的物理感知监督度学习框架。通过将可微分几何衍射模子奏凯集成至自编码器架构中，DONUT 收效杀青了晶体晶格应变和取向信息的及时提真金不怕火，在需标注锤真金不怕火数据的情况下，其分析速率著过传统关系拟正当。该法著镌汰了复杂纳米衍射实验杀青及时响应的工夫门槛，为加快贯通材料基实质提供了新的旅途，并有望动不同科学域中纳米圭臬动态过程的筹谋。

天然，DONUT 面前仍主要针对扫描X射线纳米衍射场景，其应用限制受到实验几何条目和模子假定限定。举例，关于需要空间分辨率的X射线叠层成像（ptychography）任务，还需要卓绝拓荒适配的物理 AI 框架。但从平淡的角度看，DONUT 展示了条具有代表的旅途：将来科学东说念主工智能的发展，不定是让模子变得加高大，而是让模子加贯通科学规章。手机：18632699551（微信同号）相关词条:不锈钢保温施工     塑料管材生产线     钢绞线厂家    玻璃棉板    泡沫板橡塑板专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述昌江管道保温工程，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。