Des nano-ingénieurs de l'Université de Californie à San Diego ont mis au point une méthode informatique qui pourrait rendre moins laborieuse la détermination des structures cristallines de divers matériaux et molécules, y compris les alliages, protéines et produits pharmaceutiques. La méthode utilise un algorithme d'apprentissage automatique, similaire au type utilisé dans la reconnaissance faciale et les voitures autonomes, pour analyser indépendamment les diagrammes de diffraction électronique, et le faire avec une précision d'au moins 95 %.

Le travail est publié dans le numéro du 31 janvier de Science .

Une équipe dirigée par le professeur de nano-ingénierie de l'UC San Diego Kenneth Vecchio et son doctorat. étudiant Kevin Kaufmann, qui est le premier auteur de l'article, développé la nouvelle approche. Leur méthode consiste à utiliser un microscope électronique à balayage (MEB) pour collecter des motifs de diffraction par rétrodiffusion des électrons (EBSD). Par rapport à d'autres techniques de diffraction électronique, tels que ceux de la microscopie électronique à transmission (MET), L'EBSD basé sur SEM peut être effectué sur de grands échantillons et analysé à plusieurs échelles de longueur. Cela fournit des informations locales submicroniques mappées à des échelles centimétriques. Par exemple, un système EBSD moderne permet la détermination de structures granulaires à petite échelle, orientations cristallines, contrainte ou déformation résiduelle relative, et d'autres informations en une seule analyse de l'échantillon.

Cependant, l'inconvénient des systèmes EBSD commerciaux est l'incapacité du logiciel à déterminer la structure atomique des réseaux cristallins présents dans le matériau analysé. Cela signifie qu'un utilisateur du logiciel commercial doit sélectionner jusqu'à cinq structures cristallines présumées être dans l'échantillon, puis le logiciel tente de trouver des correspondances probables avec le motif de diffraction. La nature complexe du motif de diffraction amène souvent le logiciel à trouver de fausses correspondances de structure dans la liste sélectionnée par l'utilisateur. Par conséquent, la précision de la détermination du type de réseau par le logiciel existant dépend de l'expérience de l'opérateur et de sa connaissance préalable de son échantillon.

La méthode que l'équipe de Vecchio a développée le fait de manière autonome, comme le réseau de neurones profonds analyse indépendamment chaque motif de diffraction pour déterminer le réseau cristallin, parmi tous les types de structures en treillis possibles, avec un haut degré de précision (supérieur à 95%).

Un large éventail de domaines de recherche, y compris la pharmacologie, biologie structurale, et la géologie devraient bénéficier de l'utilisation d'algorithmes automatisés similaires pour réduire le temps requis pour l'identification de la structure cristalline, les chercheurs ont dit.