Machine learning real space microstructure characteristics from scattering data.
Machine learning real space microstructure characteristics from scattering data.
复制标题
从散射数据中机器学习真实空间微观结构特征。
作者：
Jones M
利用形态学图像分析的工具，我们通过它们的闵可夫斯基泛函来表征spinodal分解的微观结构，并寻找它们与散射实验数据之间的相关性。为了做到这一点，我们采用高斯过程回归形式的机器学习来处理从聚合物共混物中spinodal分解的数值模拟中得到的数据。对于一系列微观结构，我们利用散射数据分析了四种高斯过程回归模型对闵可夫斯基泛函的预测。我们的研究结果表明，散射数据与闵可夫斯基泛函之间存在很强的相关性。
Using tools from morphological image analysis, we characterise spinodal decomposition microstructures by their Minkowski functionals, and search for a correlation between them and data from scattering experiments. To do this, we employ machine learning in the form of Gaussian process regression on data derived from numerical simulations of spinodal decomposition in polymer blends. For a range of microstructures, we analyse the predictions of the Minkowski functionals achieved by four Gaussian process regression models using the scattering data. Our findings suggest that there is a strong correlation between the scattering data and the Minkowski functionals.
DOI：
10.1073/pnas.1916817117
发表时间：
2020-03-17
影响因子：
11.1
作者：
Portela, Carlos M.;Vidyasagar, A.;Kochmann, Dennis M.
通讯作者：
Kochmann, Dennis M.
相分离混合混合物的动力学尺度理论：液滴的生长速率和自相关函数的尺度特性
DOI：
--
发表时间：
1984
期刊：
影响因子：
--
作者：
H. Furukawa
通讯作者：
H. Furukawa