团队近期成果--高通量下的材料图像分割
我们团队和材料基因组工程研究院杨炯教授课题组在国际期刊《Chemistry of Materials》（IF:9.872，中科院1区top）上在线发表论文“Accelerating the Discovery of Cu−Sn−S Thermoelectric Compounds via High-Throughput Synthesis, Characterization, and Machine Learning-Assisted Image Analysis.” 该期刊是工程技术-材料科学等综合研究领域最具影响力的顶级学术期刊之一，在JCR及中科院SCI期刊分区为一区Top。该论文上海大学为第一单位，材料基因组工程研究院博士生盛晔为第一作者，材料基因组工程研究院杨炯教授，奚晋扬教授和计算机工程与科学学院韩越兴副教授为共同通信作者。
高通量（HTP）方法已成为加速材料研发的有力方法。在这项工作中，我们展示了机器学习（ML）图像分割方法与 HTP 合成和表征相结合在发现新的热电化合物方面的能力。首先，利用改进的扩散偶 HTP 合成方法获得具有九种不同原材料比率的圆柱状样品。然后，对每个原料配比固定的片段进行扫描电镜表征，拍摄11幅背散射电子图像（共99幅）。为了快速分割出 99 张背散射电子图像中的不同相，我们提出了两种 ML 图像分割策略：应用全连接的神经网络的有监督的主动学习策略和无监督的聚类策略。有监督策略大大降低了图像分割的时间成本，且分类准确率达到了 0.9，该模型被用来对大批量的图像进行了自动的分割。同时，为了进一步减少人工标注的工作量，在训练过程中引入了主动学习。分析第一种策略分出的两个主要的相的 EDS 表征结果，发现了一种新化合物 Cu7Sn3S10，其具有较好的热电性能，zT 超过了 0.6。不同于有监督策略，无监督策略可以在没有人为标注的情况下，进一步在 BSE 图像中寻找在策略一中可能被忽视的化合物。根据无监督策略的结果，发现了未被报道过的化合物Cu1.6S。综上我们的工作我们展示了一个全 HTP 流程的例子，实现了HTP表征和新化合物鉴定的自动化分析。