[发明专利]2D SAXS图谱解析模型训练方法及装置

说明书

本申请实施例提供了一种二维小角X射线散射2D SAXS图谱解析模型训练方法及装置，其中，所述图谱解析模型训练方法应用于电子设备，所述图谱解析模型训练方法包括：获取N个第一2D SAXS图谱，所述N为正整数；将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。采用本申请实施例，能够得到一种高通量的2D SAXS图谱解析模型，所述高通量的2D SAXS图谱解析模型在对单张2D SAXS图谱的分布参数进行解析时，解析准确度高，解析速度快(微秒级)，从而满足海量实验数据的解析需求。

技术领域

本申请涉及人工智能和小角X射线散射交叉技术领域，尤其涉及一种2D SAXS图谱解析模型训练方法及装置。

背景技术

小角X射线散射(Small Angle X-ray Scattering，SAXS)是指在靠近原X射线束附近很小角度范围内电子对X射线的相干散射现象，通过分析样品中基体与微结构之间电子密度差所导致的X射线散射强度涨落，可有效探测材料内部纳米尺度(1-1000nm)范围内的微结构(包括微纳颗粒、孔隙结构等)的形状、大小、分布及含量等空间几何信息。同时，SAXS技术具有高穿透性、制样简单、无损探测、测试快速、统计性好以及适用范围广等特点，是当前新材料纳米尺度微结构高通量表征技术中不可缺少的微观-介观尺度关键分析表征手段，被广泛应用于合金、悬浮液、乳液、胶体、高分子溶液、天然大分子、液晶、薄膜、聚电解质、复合物、纳米材料等诸多研究领域。

SAXS虽然测试简单，然而数据分析则十分复杂。目前，SAXS数据解析方法主要包括一维SAXS(1D SAXS)和二维SAXS(2D SAXS)方法。1D SAXS方法，通过将2D SAXS图谱转化为一维积分曲线，从而实现微结构的解析，但1D SAXS方法不适用于散射体存在高度择优取向的各向异性体系；现有的部分2D SAXS图谱解析方法虽然能够有效计算各向异性体系的2DSAXS图谱，但2D SAXS图谱解析方法主要通过直接拟合实验2D SAXS图谱，需要构建合理有效的数理模型，并进行快速地理论二维散射图谱计算，往往需要迭代数千乃至数万次，因而单张2D SAXS图谱解析速度不能满足海量实验数据的解析需求。

发明内容

本申请实施例提供了一种基于深度学习的2D SAXS图谱解析模型训练方法及装置，所述图谱解析模型训练方法基于深度学习框架和深度卷积人工神经网络建立所述深度学习模型，并基于所述随机均匀分布函数建立所述深度学习模型的样本数据库，因而所述样本数据库范围广，根据所述样本数据库对所述深度学习模型进行训练、优化得到所述目标图谱解析模型，使得所述目标图谱解析模型对单张2D SAXS进行分布参数解析时的准确度高，解析速度快(微秒级)，能够满足海量实验数据的解析需求。

本申请实施例第一方面提供了一种2D SAXS图谱解析模型训练方法，应用于电子设备，所述方法包括：获取N个第一2D SAXS图谱，其中，所述N为正整数；将所述N个第一2DSAXS图谱输入到深度学习模型中，得到第一模型参数；其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。

可以看出，在本实施方式中，所述图谱解析模型训练装置将多个2D SAXS图谱输入到基于深度学习框架和人工神经网络确定的所述深度学习模型进行训练，最终得到的所述第一图谱解析模型能够快速准确地解析具有各向异性的2D SAXS图谱，满足海量2D SAXS图谱的解析需求。

结合第一方面，在一个可行的实施方式中，所述获取N个第一2D SAXS图谱，包括：获取所述N组第一分布参数，并根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。