Комп’ютерний зір як інструмент кореляційного аналізу зображень мікроструктури термоелектричних матеріалів на основі Bi-Te
DOI:
https://doi.org/10.63527/1607-8829-2025-4-64-75Ключові слова:
термоелектричні матеріали, напівпровідники, Bi-Te, штучний інтелект, машинне навчання, комп'ютерний зір, сегментація дефектів, мультимодальне навчання, глибоке навчання, моделювання, кінетичні коефіцієнти, атомно-силова мікроскопія, оптичні металографічні дослідженняАнотація
У даній роботі представлено концепцію інструмента мультимодальної системи комп'ютерного зору та машинного навчання для встановлення кореляцій між мікроструктурою поверхні екструдованих термоелектричних матеріалів на основі Bi-Te та їхніми термоелектричними властивостями. Платформа поєднує дані атомно-силової мікроскопії (АСМ), металографічної мікроскопії, хімічного складу, термоелектричних властивостей та технологічних режимів синтезу у єдину базу для подальшого глибокого навчання. Описано розроблений інструмент для створення анотованої бази даних, архітектуру нейронної мережі для автоматизованої сегментації дефектів, а також мультимодальну модель поєднання даних для прогнозування термоелектричних властивостей.
Посилання
1. Snyder G. J., & Toberer E. S. (2008). Complex thermoelectric materials. Nature Materials, 7(2), 105–114. https://doi.org/10.1038/nmat2090
2. Pei Y., Shi X., LaLonde A., Wang H., Chen L., & Snyder G. J. (2011). Convergence of electronic bands for high performance bulk thermoelectrics. Nature, 473(7345), 66–69. https://doi.org/10.1038/nature09996
3. Kim S. I., Lee K. H., Mun H. A., Kim H. S., Hwang S. W., Roh J. W., Yang D. J., Shin W. H., Li X. S., Lee Y. H., Snyder G. J., & Kim S. W. (2015). Dense dislocation arrays embedded in grain boundaries for high-performance bulk thermoelectrics. Science, 348(6230), 109–114. https://doi.org/10.1126/science.aaa4166
4. DeCost B. L., & Holm E. A. (2015). A computer vision approach for automated analysis and classification of microstructural image data. Computational Materials Science, 110, 126–133. https://doi.org/10.1016/j.commatsci.2015.08.011
5. Azimi S. M., Britz D., Engstler M., Fritz M., & Mücklich F. (2018). Advanced steel microstructural classification by deep learning methods. Scientific Reports, 8(1). https://doi.org/10.1038/s41598-018-20037-5
6. Wang Z., Yokoyama Y., Onda T., Adachi Y., & Chen Z. (2019). Improved thermoelectric properties of hot‐extruded Bi–Te–Se bulk materials with Cu doping and property predictions via machine learning. Advanced Electronic Materials, 5(6). https://doi.org/10.1002/aelm.201900079
7. Wang Z., Adachi Y., & Chen Z. (2019). Processing optimization and property predictions of hot‐extruded Bi–Te–Se thermoelectric materials via machine learning. Advanced Theory and Simulations, 3(1). https://doi.org/10.1002/adts.201900197
8. Wang Z.-L., Funada T., Onda T., & Chen Z.-C. (2023). Knowledge extraction and performance improvement of Bi2Te3-based thermoelectric materials by machine learning. Materials Today Physics, 31, 100971. https://doi.org/10.1016/j.mtphys.2023.100971
9. Sheng Y., Deng T., Qiu P., Shi X., Xi J., Han Y., & Yang J. (2021). Accelerating the discovery of Cu–Sn–S thermoelectric compounds via high-throughput synthesis, characterization, and machine learning-assisted image analysis. Chemistry of Materials, 33(17), 6918–6924. https://doi.org/10.1021/acs.chemmater.1c01856
10. Ling J., Hutchinson M., Antono E., DeCost B., Holm E. A., & Meredig B. (2017). Building data-driven models with microstructural images: generalization and interpretability (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1711.00404
11. Pei Z., Rozman K. A., Doğan Ö. N., Wen Y., Gao N., Holm E. A., Hawk J. A., Alman D. E., & Gao M. C. (2021). Machine‐learning microstructure for inverse material design. Advanced Science, 8(23). https://doi.org/10.1002/advs.202101207
12. Pregowska A., Roszkiewicz A., Osial M., & Giersig M. (2024). How scanning probe microscopy can be supported by Artificial Intelligence and quantum computing (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2406.19397
13. Zhang X., et al. (2013). Nano-thermoelectric Seebeck coefficient in-situ quantitative characterization device based on AFM. WO Patent WO2013189111A1.
14. Moon, J., et al. (2021). Compliant three-dimensional thermoelectrics. US Patent US20210175406A1.
15. Russell B. C., Torralba A., Murphy K. P., & Freeman W. T. (2007). LabelMe: A database and Web-based tool for image annotation. International Journal of Computer Vision, 77(1–3), 157–173. https://doi.org/10.1007/s11263-007-0090-8
16. Zhu J.-Y., Park T., Isola P., & Efros A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks (Version 7). arXiv. https://doi.org/10.48550/ARXIV.1703.10593
17. Ronneberger O., Fischer P., & Brox T. (2015). U-Net: convolutional networks for biomedical image segmentation (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1505.04597
18. He K., Zhang, X. Ren S., & Sun J. (2015). Deep residual learning for image recognition (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1512.03385
19. Oktay O., Schlemper J., Folgoc L. L., Lee M., Heinrich M., Misawa K., Mori K., McDonagh S., Hammerla N. Y., Kainz B., Glocker B., & Rueckert D. (2018). Attention U-Net: learning where to look for the pancreas (Version 3). arXiv. https://doi.org/10.48550/ARXIV.1804.03999
20. Lin T.-Y., Dollar P., Girshick R., He K., Hariharan B., & Belongie S. (2017). Feature pyramid networks for object detection. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 936–944). 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2017.106
21. Fotos G., Campbell A., Murray P., & Yakushina E. (2023). Deep learning enhanced Watershed for microstructural analysis using a boundary class semantic segmentation. Journal of Materials Science, 58(36), 14390–14410. https://doi.org/10.1007/s10853-023-08901-w
22. Sudre C. H., Li W., Vercauteren T., Ourselin S., & Cardoso M. J. (2017). Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations. arXiv. https://doi.org/10.48550/ARXIV.1707.03237
23. Lin T.-Y., Goyal P., Girshick R., He K., & Dollar P. (2017). Focal loss for dense object detection. In 2017 IEEE International Conference on Computer Vision (ICCV) (pp. 2999–3007). 2017 IEEE International Conference on Computer Vision (ICCV). IEEE. https://doi.org/10.1109/iccv.2017.324
24. Yaslioglu M. M. (2025). Attention is all you need until you need retention (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2501.09166
25. Chen T., Kornblith S., Norouzi M., & Hinton G. (2020). A simple framework for contrastive learning of visual representations (Version 3). arXiv. https://doi.org/10.48550/ARXIV.2002.05709
26. Selvaraju R. R., Cogswell M., Das A., Vedantam R., Parikh D., & Batra D. (2016). Grad-CAM: Visual explanations from deep networks via gradient-based localization. arXiv. https://doi.org/10.48550/ARXIV.1610.02391
27. Lundberg S., & Lee S.-I. (2017). A unified approach to interpreting model predictions (Version 2). arXiv. https://doi.org/10.48550/ARXIV.1705.07874
##submission.downloads##
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 М.М. Короп, А.В. Прибила, В.В. Лисько, В.Г. Пилипко, Ю.Б. Халавка
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
