Electron backscatter diffraction
PulseAugur coverage of Electron backscatter diffraction — every cluster mentioning Electron backscatter diffraction across labs, papers, and developer communities, ranked by signal.
-
新的生成模型使用流匹配合成逼真微观结构
研究人员开发了一种新的生成模型,使用流匹配和图神经网络合成逼真的多晶微观结构。该模型将微观结构表示为各向异性幂图,能够进行紧凑的几何参数化并以任意分辨率渲染。一个关键特性是其 C4 等变架构,它结合了旋转对称性,以确保生成的微观结构与输入噪声相应地旋转。该模型已证明其能够生成类似于各种材料的微观结构,包括铜焊缝、铸金属板、3D 打印不锈钢和异质薄片钛,并且可以由用户定义的客观函数指导。
-
AI模型利用对称性增强晶体取向图分辨率
研究人员开发了一种新颖的对称群感知超分辨率注意力网络(SG-SRAN),旨在提高晶体取向图的分辨率。该网络通过将等效取向映射到公共潜在表示,独特地结合了晶体对称性和边界保持。与现有模型相比,SG-SRAN以显著更少的训练参数实现了最先进的结果,并展示了对新合金的高保真度和零样本迁移能力。
-
AI通过SRGAN提高电池材料分析速度
研究人员开发了一个机器学习框架,使用超分辨率生成对抗网络(SRGAN)来显著加快锂离子电池电极材料的表征过程。该SRGAN模型在LiNixMnyCozO2颗粒的EBSD数据上进行训练,能够计算性地增强低分辨率数据集,其性能优于传统的插值方法。该方法允许在可接受的关键微观结构指标准确性的前提下,将采集速度或视场提高25倍,从而使EBSD成为材料研发更有效的工具。
-
扩散模型增强了用于显微镜的EBSD和偏振光数据
研究人员开发了一种多模态扩散模型,通过整合偏振光(PL)数据来增强电子背散射衍射(EBSD)显微镜的数据。这种方法显著加快了数据采集速度,仅用四分之一的常规EBSD数据和损坏的PL数据即可获得高质量结果。该模型在真实数据上表现出强大的泛化能力,改进了晶界预测、超分辨率和去噪等目标。