论文发表于APL Machine Learning期刊
我团队博士研究生赵晨皓等在李良彬研究员以及昱万程副研究员的共同指导下，提出了具有物理感知能力的神经网络（SAXSNN），无需建模即可直接从实验小角X射线散射（SAXS）图谱中重构材料形态。相关工作发表在期刊APLMachine Learning上。
在这项工作中，我们开发了一种新方法，通过使用具有物理感知能力的神经网络SAXSNN，无需建模即可直接从实验小角X射线散射（SAXS）图谱中重构材料形态。通过将X射线散射物理原理融入神经网络，SAXSNN能够以无监督方式捕获倒易空间中SAXS图谱与实空间对应形态之间的复杂映射关系。我们在半结晶和非晶聚合物（即硬弹性等规聚丙烯iPP薄膜和增塑聚乙烯醇缩丁醛PVB）的实验SAXS图谱上验证了SAXSNN的性能。SAXSNN重构的形态与我们对iPP薄膜和PVB形态的现有认知十分吻合。该方法无需任何先验相信息即可快速预测任意SAXS图谱对应的材料形态，为理解样品微观结构提供了直观途径。在同步辐射光源的现代SAXS光束线站上，未来将有望实现对被测样品形态的实时反馈，为实验人员提供即时分析支持。
该项工作得到国家自然科学基金（52103288）资助。SAXS测量是在上海同步辐射装置（SSRF）的束线BL16B1上进行的。BL16B1的光束线工作人员在测量过程中给予了善意的帮助，我们深表感谢。目前，该项目已在国际网站Github上进行开源（https://github.com/ZCHao12138/SAXSNN）。
Chenhao Zhao, Shenyang Sun, Xueqing Han, Jianhe Zhu, Wancheng Yu, Liangbin Li; Morphology reconstruction from experimental small-angle x-ray scattering patterns by physics-aware neural network. APL Mach. Learn.1 March 2025; 3 (1): 016109.
论文链接：https://doi.org/10.1063/5.0246111