【技术实现步骤摘要】
【国外来华专利技术】电子显微镜数据的人工智能(AI)辅助分析
[0001]相关申请的交叉引用
[0002]本申请要求2020年10月8日提交的美国临时专利申请No.63/089,080的较早申请日的权益,该申请通过引用整体并入本文。
[0003]本领域是数据分析。
[0004]致谢政府支持
[0005]本专利技术是在美国能源部授予的合同DE
‑
AC0576RL01830的政府支持下完成的。政府拥有本专利技术的某些权利。
技术介绍
[0006]显微镜仪器操作人员通常会使用材料的先验知识,检查图像集或光谱集的特定特征,然后尝试基于该先验知识和在数据中发现的特征来构建描述原始材料的模型。然而,电子显微镜和其他仪器可产生巨大规模的信息,例如,以每秒数千帧收集的图像,导致操作人员没有实际的方法来手动挑选数据中的特征。
[0007]人工智能(AI)有望重塑科学探索,并且在比如储能、量子计算和生物医学等领域实现突破性发现。电子显微镜是化学和材料系统研究的基石,将从AI驱动的自动化中受益匪浅。计算机视觉和AI中的许多方法可以用来更自动地分析图像中的特征。正如人类图像中的特征可能包括脸、眼睛、嘴以及它们之间的比例等并且可以提供一个人的细节或签名(signatures),微观材料也可以在局部规模上作为整体而富有特征,例如,晶界、缺陷、原子图案等,并可用于识别材料。许多计算机视觉方法可以很好地工作,但通常需要劳动密集型步骤来调整,这限制了它们扩展到大量数据或噪声数据的能力。
[0008]因此, ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法,包括:至少将关注的真实数据集的一部分分割成切片网格,每个切片包括所述关注的真实数据集的所述一部分的真实数据子集,并且接收与从所述真实数据集的所述一部分中选择的基准真值示例相对应的一些用户选择的切片,其中,所述选择的切片定义了少样本类原型的支持集;使用嵌入神经网络对所述支持集的潜在空间表示进行编码,并且将所述少样本类原型定义为所述支持集的所述潜在空间表示的平均向量;以及使用所述嵌入神经网络,对所述关注的真实集数据的其他切片的潜在空间表示进行编码,并且使用少样本神经网络,将所述其他切片的所述潜在空间表示与所述少样本类原型进行比较,并且基于所述比较,将少样本类原型标签分配给所述其他切片,以识别所述关注的真实数据集中的与所述一些用户选择的切片相似的特征。2.根据权利要求1所述的方法,其中,对所述支持集的所述潜在空间表示进行编码包括通过具有可学习参数的嵌入函数将具有D维的所述支持集的数据转换成具有M维的所述潜在空间表示。3.根据权利要求2所述的方法,其中,所述类原型k的所述支持集S是S={(x1;y1);...(x
N
;y
N
)},其中,x
i
表示切片i,y
i
是对应的真实类标签,利用所述嵌入函数的转换通过产生转换的切片,并且包括所述类原型k的嵌入支持点的所述平均向量由下式定义:4.根据权利要求1所述的方法,其中,将所述其他切片的所述潜在空间表示与所述少样本类原型进行比较,并且基于所述比较将少样本类原型标签分配给所述其他切片包括,对于每个其他切片:计算所述切片的所述潜在空间表示和所述少样本类原型之间的欧几里德距离;使用归一化指数函数将所述距离归一化为类概率;以及将所述少样本类原型标签分配给所述切片,其中所述少样本类原型标签具有最高的类概率。5.根据权利要求1所述的方法,其中,所述方法还包括通过基于附近切片的标签对与芯片相关联的类概率进行加权来应用标签平滑。6.根据权利要求1所述的方法,其中,所述方法还包括通过调整定义所述支持集的所述切片来应用标签平滑。7.根据权利要求1所述的方法,其中,所述真实数据集包括一个或多个图像,并且所述切片网格包括子图像网格。8.根据权利要求7所述的方法,其中,基于分配有所述少样本类原型标签的芯片的百分比和面积来估计所述一个或多个图像中的特征类型的总面积。9.根据权利要求1所述的方法,其中,所述嵌入神经网络是在与所述关注的真实数据集相关或不相关的数据集上预先训练的现成神经网络。
10.根据权利要求1所述的方法,其中,所述一些用户选择的切片包括大于或等于一个并且小于或等于十个用户选择的切片。11.根据权利要求1所述的方法,其中,所述方法还包括接收与从所述真实数据集中选择的基准真值示例相对应的另外一些用户选择的切片,其中所述另外一些用户选择的芯片定义了第二少样本类原型的第二支持集,使用所述第二支持集定义第二少样本类原型,并且将所述潜在空间表示与所述第二少样本类原型进行比较,并且基于所述比较,将第二少样本类原型标签分配给芯片,以识别所述关注的真实数据集中的与所述另外一些用户选择的切片相似的特征。12.根据权利要求1所述的方法,其中,所述方法还包括响应于所述少样本类原型标签的分配,接收与从所述真实数据集中选择的基准真值示例相对应的另一组一些用户选择的切片,其中所述另一组一些用户选择的切片中的所述选择的芯片定义了另一个少样本类原型的支持集。13.根据权利要求12所述的方法,其中,所述另一组一些用户选择的切片中的所述选择的切片包括对一些用户选择的芯片的先前选择的调整。14.根据权利要求1所述的方法,其中,所述关注的真实数据集包括随时间变化的真实数据集,并且所述方法还包括在定义所述少样本类原型之后,基于在稍后的时间序列或在数据采集期间获得的数据,添加新的少样本类原型或修改所述少样本类原型。15.根据权利要求1所述的方法,其中,所述关注的真实数据集是根据第一检测模式采集的,所述方法还包括将所述少样本类原型标签分配给与第二检测模式相关联的关注的第二真实数据集的相似切片。16.根据权利要求1所述的方法,其中,所述方法还包括将具有所分配的少样本类原型标签的所述相似芯片中的一个或多个定义为与所述第二检测模式相关联的第二少样本类原型的第二支持集。17.根据权利要求1所述的方法,其中,所述关注的真实数据集是根据第一检测模式采集的,所述方法还包括:接收与从与第二检测模式相关联...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。