Analyse intégrée des motifs de diffraction des rayons X et des fonctions de distribution pair pour l'identification de phase basée sur l'apprentissage automatique

Résumé Pour améliorer la précision des méthodes existantes pour l'identification automatisée des phases à partir des motifs de diffraction des rayons X (XRD), nous introduisons une approche d'apprentissage automatique qui utilise une représentation duale, où les motifs XRD sont augmentés avec des fonctions de distribution pair (PDF) simulées. Un réseau de neurones convolutifs est directement entraîné sur les motifs XRD calculés à l'aide d'une augmentation de données informée par la physique, ce qui tient compte des artefacts expérimentaux tels que la déformation du réseau et la texture cristallographique. Un second réseau est entraîné sur les PDF générés par transformation de Fourier des motifs XRD augmentés. Lors de l'inférence, ces réseaux classifient les échantillons inconnus en agrégeant leurs prédictions dans une somme pondérée par la confiance. Nous montrons qu'une telle approche intégrée pour l'identification de phase fournit une précision améliorée en tirant parti des avantages de chaque représentation d'entrée du modèle. Alors que les réseaux entraînés sur les motifs XRD fournissent une représentation en espace réciproque et peuvent distinguer efficacement de grands pics de diffraction dans des échantillons multiphasiques, les réseaux entraînés sur les PDF fournissent une représentation en espace réel et offrent de meilleures performances lorsque des pics de faible intensité deviennent importants. Ces résultats soulignent l'importance d'utiliser des représentations d'entrée variées pour les modèles d'apprentissage automatique en science des matériaux et ouvrent de nouvelles voies pour l'automatisation de la caractérisation multimodale.