背向散射電子繞射技術
Electron backscatter diffraction (EBSD)
Matlab code對於KAM的應用
Automation of KAM in Matlab
在高強度低合金（HSLA）鋼中，粒狀變韌鐵和肥粒鐵的區分是一個重大挑戰，因為這兩者的機械和化學成分相似，使得奈米壓痕和化學分析無法達到令人滿意的相分類。在本研究當中，我們將電子背向散射繞射（EBSD）中的kernel average misorientation寫成自動化的matlab程式，以區分和量化微觀結構組成。再者，我們利用電子穿隧造成的對比影像（electron channeling contrast imaging, ECCI）驗證了自動化相分類結果，並進一步用於研究容忍角度對分類的影響。此外，ECCI的結果顯示，HSLA鋼的”晶粒”結構可以細分為四種類別。每個類別包含不同的奈米硬度或次結構大小，這使得基於奈米壓痕的相分類困難重重。因此，基於局部misorientation的自動化EBSD分類方法在使用5°容忍角度時最令人滿意。
Jentner, R.M., Tsai, S.P., Welle, A. et al. Automated classification of granular bainite and polygonal ferrite by electron backscatter diffraction verified through local structural and mechanical analyses. Journal of Materials Research 38, 4177–4191 (2023).
機器學習用於繞射圖譜之辨認
ML on EBSPs
我們利用了機器學習領域由Diederik P. Kingma和Max Welling提出的變分自編碼器（Variational AutoEncoder，VAE）訓練機器辨認EBSP。首先，我們先用由Marc de Graef教授團隊撰寫的Emsoft開源程序模擬繞射圖譜，並且加上妥適的背景和雜訊以逼近真實實驗繞射圖譜。再來，我們測試訓練好的模型的精準度，並且利用數學內插、外插討論這個機器模型的物理意義以及適用範圍。
(Kimi, 剩餘待補)