WO2023063703A1 - 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법 - Google Patents

공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법 Download PDF

Info

Publication number
WO2023063703A1
WO2023063703A1 PCT/KR2022/015355 KR2022015355W WO2023063703A1 WO 2023063703 A1 WO2023063703 A1 WO 2023063703A1 KR 2022015355 W KR2022015355 W KR 2022015355W WO 2023063703 A1 WO2023063703 A1 WO 2023063703A1
Authority
WO
WIPO (PCT)
Prior art keywords
sadp
classification system
axis
space group
labels
Prior art date
Application number
PCT/KR2022/015355
Other languages
English (en)
French (fr)
Inventor
정진하
라문수
이혜연
이현지
Original Assignee
라이트비전 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210156578A external-priority patent/KR20230053473A/ko
Priority claimed from KR1020210185805A external-priority patent/KR102535327B1/ko
Application filed by 라이트비전 주식회사 filed Critical 라이트비전 주식회사
Publication of WO2023063703A1 publication Critical patent/WO2023063703A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/2055—Analysing diffraction patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Definitions

  • the present invention relates to a classification system for easy space group inference and a method for constructing a classification system in the same.
  • the present invention relates to a method of inferring a space group candidate of a subject material and recommending a positive axis for the next photographing.
  • SADP Select Area Diffraction Pattern
  • SADP is an electron diffraction pattern created by shooting an electron beam at a material to be analyzed. Since SADP views a three-dimensional crystal structure in the form of a two-dimensional image, it is impossible to clearly specify the space group of the material in question with one SADP.
  • Ziletti et al. proposed a method of specifying the space group of a material by making one diffraction fingerprint with six SADPs and learning/analyzing the diffraction fingerprint.
  • Diffraction fingerprint was obtained by rotating the material in six directions when taking SADP with TEM.
  • the rotation method was rotated based on the [001] positive axis.
  • SADP obtained by rotating ⁇ 45 degrees in the x-axis is accumulated in the red channel of RGB
  • SADP obtained by rotating ⁇ 45 degrees in the y-axis is accumulated in the green channel, and acquired by rotating ⁇ 45 degrees in the z-axis.
  • One SADP is accumulated in the blue channel to generate a diffraction fingerprint.
  • the traveling direction of the electron beam and the [001] positive axis of the material must first be aligned. It is almost impossible to align the traveling direction of the electron beam and the [001] positive axis of the material without knowing the crystal structure of the material. close to
  • An object of the present invention is to provide a classification system for easy space group inference and a method for constructing a classification system in the same.
  • the present invention is to provide a method of inferring space group candidates of a target material and recommending a positive axis for the next photographing.
  • the SADP classification system includes a plurality of labels, but the labels are SADP (Selected Area Diffraction) photographed with a transmission electron microscope (TEM) Pattern) is constructed by clustering images according to a specific criterion, and the labels are connected to space groups of the crystallographic perspective classification system.
  • SADP Select Area Diffraction
  • TEM transmission electron microscope
  • a classification system includes a diffraction pattern analyzer for generating a SADP classification system having a plurality of labels of a crystal structure by clustering SADP images taken by TEM according to a specific criterion; and a classification system linking unit that matches the SADP classification system with a classification system from a crystallographic point of view.
  • the classification system of the crystallographic perspective has a space group of a crystal structure and positive-to-axis information, and the labels of the SADP classification system are matched one-to-many or one-to-one with the space groups.
  • a classification system includes a diffraction pattern analysis unit for generating a SADP classification system having a plurality of labels by clustering SADP images captured by TEM according to a specific criterion; and a probability-based space group inference unit that infers the space group of the material probabilistically by analyzing a classification system from the viewpoint of crystallography associated with the obtained label by applying an algorithm learned by machine learning to the SADP image of the material.
  • the classification system from the crystallographic point of view has a space group of a crystal structure and positive axis information.
  • a classification system includes a learning unit for learning a classification algorithm to classify SADP images captured by TEM through machine learning; and a probability-based space group inference unit that probabilistically infers the space group of the material by analyzing a classification system from the viewpoint of crystallography associated with the label obtained by applying the classification algorithm to the SADP image of the material.
  • the labels are constructed by clustering the SADP images according to a specific criterion and are connected to space groups of the crystallographic perspective classification system.
  • the program code generates a SADP classification system having a plurality of labels by clustering SADP images captured by TEM according to a specific criterion ; and linking the new classification system with a crystallographic view classification system, wherein the crystallography view classification system has a space group of a crystal structure and positive axis information, and a label of the SADP classification system. are connected one-to-many or one-to-one with the space groups.
  • a classification system includes a classification system connection unit for matching a SADP (Selected Area Diffraction Pattern) classification system having a plurality of labels for a 2D pattern with a classification system of a crystallography viewpoint; and a zone axis recommendation unit for recommending a zone axis on which the electron beam is to be scanned for the next photographing of the workpiece.
  • SADP Select Area Diffraction Pattern
  • the crystallography-based classification system has information on the space group and positive axis of the crystal structure, and labels of the SADP classification system are matched with the space groups one-to-many or one-to-one.
  • a classification system includes a table composed of labels having information on a space group and a positive axis of a crystal structure; and a positive axis recommendation unit for recommending a positive axis on which the electron beam is to be scanned for the next photographing of the workpiece.
  • the recommended positive axis is one of positive axes included in the labels.
  • a classification system is a positive axis recommendation unit that recommends a positive axis on which an electron beam is to be scanned for the next photographing of a material from a label having information about space groups of a crystal structure and a positive axis matching with the space groups.
  • the definite axis recommendation unit includes a calculation unit that calculates a degree of disorder for definite axes belonging to the labels; and a recommendation unit for recommending a positive axis having the lowest degree of disorder as a result of the calculation as a positive axis for the next photographing.
  • the classification system of the present invention and the method for constructing the classification system in the present invention cluster similar SADP images based on a specific criterion to create a new classification system, and a space group can be easily inferred using such a classification system.
  • the classification scheme system can infer the space group of a material using one or more SADP images taken by TEM without the help of a crystal structure expert.
  • the classification system recommends a positive axis that can clearly specify a space group in the next shooting, and as a result, the analysis can be performed by minimizing the stress applied to the material.
  • FIG. 1 is a diagram illustrating a classification system according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a classification system structure and classification system connection according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating SADP image classification criteria according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a process of inferring a space group according to an embodiment of the present invention.
  • 5 is a diagram showing an example of SADP images belonging to the same decision class.
  • FIG. 6 is a diagram illustrating a classification system according to another embodiment of the present invention.
  • FIG. 7 is a diagram showing a table in which the SADP classification system in terms of crystallography and a new SADP classification system that is easy to distinguish by a computer are connected.
  • FIG. 8 is a diagram showing the structure of a positive axis recommendation unit according to an embodiment of the present invention.
  • the present invention relates to a classification system and a method for constructing a classification system therein, and can reconstruct a classification system from the viewpoint of crystallography into a new classification system that is easy for computers to classify.
  • the new classification system may include a plurality of labels generated by classifying SADP (Selected Area Diffraction Pattern) images according to a specific criterion. That is, SADP images having common characteristics or similar structures may belong to the same label.
  • SADP Select Area Diffraction Pattern
  • the classification system connects (matches) a classification system in terms of crystallography and a classification system that is easy for a computer to distinguish, and one or more SADP images taken with a transmission electron microscope (TEM) are artificially intelligent,
  • the space group of the material may be inferred by analysis using machine learning (eg, deep learning) technology.
  • FIG. 1 is a diagram showing a classification system according to an embodiment of the present invention
  • FIG. 2 is a diagram showing a classification system structure and classification system connection according to an embodiment of the present invention
  • FIG. It is a diagram showing SADP image classification criteria according to an embodiment.
  • 4 is a diagram illustrating a process of inferring a space group according to an embodiment of the present invention
  • FIG. 5 is a diagram showing an example of SADP images belonging to the same decision classification.
  • the classification system of this embodiment builds a new classification system in a form that is easy to distinguish from a classification system from a crystallographic perspective and other computers, and includes a diffraction pattern analysis unit 100, a classification system connection unit 102, It may include a rotation pattern classification algorithm learning unit 104, a probability-based space group inference unit 106, and a control unit (not shown) that controls overall operations thereof.
  • the diffraction pattern analyzer 100 uses forbidden reflection information that can be known through interior angle information of a triangle composed of one diffraction point and two diffraction points closest thereto and structure factor calculation, so that a computer can easily distinguish the diffraction pattern.
  • a new classification system (SADP classification system) can be created by clustering SADP images of the shape.
  • the rotation pattern analysis unit 100 may be referred to as a classification system generation unit.
  • the diffraction pattern analyzer 100 obtains interior angle information ( ⁇ AOB, ⁇ OAB) of a triangle composed of one diffraction point (O) shown on the left side of FIG. 3 and two diffraction points (A and B) closest to it. ) and the forbidden reflection information shown on the right side of FIG. 3, it is possible to create a new type of classification system by clustering externally similar SADP images.
  • the new classification system is a square primitive (A), a rectangle primitive (B), a hexagonal primitive (C), and a parallelogram (oblique primitive, D) based on the basic shapes that a two-dimensional grid can have. ) can be divided into
  • the diffraction pattern analysis unit 100 clusters the SADP images with internal information between one diffraction point or three or more diffraction points instead of one diffraction point and two diffraction points closest thereto to classify the SADP images as a new class. You can also create a system.
  • the diffraction pattern analyzer 100 may generate a new classification system by clustering SADP images using only one of interior angle information and forbidden reflection information.
  • the diffraction pattern analyzer 100 may generate a new classification system by clustering SADP images using an average angle of angles between a central diffraction point and diffraction points around the central diffraction point.
  • the classification system in terms of crystallography includes space groups. However, space groups having mutually similar structures may exist.
  • the classification system can first acquire SADP images for space groups using TEM.
  • a mark such as “001” may mean a direction of an electron beam scanning the material.
  • "001” may indicate the direction of the electron beam when the electron beam is emitted parallel to the Z-axis.
  • a plurality of SADP images having a similar or identical structure may exist when classified according to a specific criterion.
  • the diffraction pattern analysis unit 100 may generate a new classification system by clustering SADP images using interior angle information ( ⁇ AOB, ⁇ OAB) and forbidden reflection information of a triangle composed of diffraction points. At this time, classification of SADP images into a new classification system may be performed by a rotation pattern classification algorithm (model) as shown in FIG. 4 .
  • the diffraction pattern analyzer 100 has 16 positive axes ([0 0 1], [1 0 1], [1 0 2] of the five space groups 213, 221, 225, 227, and 229). , [1 0 3], [1 0 4], [1 1 1], [1 1 2], [1 1 3], [1 1 4], [2 0 3], [2 1 2], [ 2 1 3], [2 1 4], [2 2 3], [3 1 3], [3 2 3]), 60 labels can be defined by clustering the acquired SADP images. At this time, SADP images can be classified into 112 labels based on the classification system in terms of crystallography. Due to this clustering, the number of labels becomes smaller than the number of reference labels of the taxonomy from the crystallographic point of view.
  • Figure 5 shows SADP images belonging to different space groups but belonging to the same label. That is, SADP images corresponding to a plurality of space groups may belong to one label.
  • the criterion for clustering SADP images can be modified in various ways.
  • the taxonomy linking unit 102 can connect a taxonomy from a crystallographic perspective, which can be represented by a space group and a zone axis, and a SADP classification system in a form that is easy for computers to distinguish. That is, the classification system connection unit 102 may connect space groups of a 3D structure and labels of a 2D structure.
  • the label and the space groups are basically connected in a one-to-many fashion, but may be connected in a one-to-one manner according to the shape of the SADP image. That is, a SADP image belonging to a specific space group and a positive axis may belong to one label. In this case, accurate space group and positive axis information can be found with only one SADP image input.
  • the rotation pattern classification algorithm learning unit 104 may train a model (rotation pattern classification algorithm) to classify SADP images through machine learning.
  • the rotation pattern classification algorithm learning unit 104 may construct and train a diffraction pattern classification algorithm using an off-the-shelf deep learning model such as AlexNet, Inception v3, ResNet, or DenseNet.
  • the probability-based space group inference unit 106 may infer a space group of the crystal structure of the material with probability by analyzing a classification system from the viewpoint of crystallography associated with a label obtained by applying a diffraction pattern classification algorithm to the SADP image of the material. there is.
  • the probability-based space group inference unit 106 applies a diffraction pattern classification algorithm to the SADP images, respectively, to obtain By analyzing the crystallographic classification system associated with the label, the space group of the crystal structure can be inferred probabilistically.
  • the probability-based space group inference unit 106 may derive a final probability by ensemble (combining) probabilities inferred from several SADP images.
  • the final probability is shown by taking the average of each inferred probability, but only the space group representing the maximum value may be derived after accumulating each inferred probability.
  • the image located at the top of them is classified as an A1-0 label through the diffraction pattern classification algorithm, and the corresponding label is space group 221, 225, 227, 229 and one-to-many matching, it is inferred that each space group has a probability of 25%.
  • the image located at the bottom is classified as a D8-0 label through the diffraction pattern classification algorithm, and since the corresponding label has a one-to-one match with the space group 225, it is inferred that it has a 100% probability of being the 225 space group.
  • the probability of the 225 space group is 62.5%
  • the probability of the 221, 227, and 229 space groups is inferred to be 12.5%.
  • the space group of the material was inferred using the classification system from the viewpoint of crystallography. Specifically, six SADP images were acquired by TEM, and the acquired SADP images were analyzed to detect which crystal class the material belonged to.
  • this method could only be analyzed by experts because there are difficult processes such as rotating the material in six directions and scanning the electron beam. In addition, it was difficult to accurately rotate the material in six directions and scan the electron beam, so it was not possible to infer an accurate space group.
  • the classification system of the present embodiment can generate a plurality of labels by clustering SADP images, and analyze a space group connected to the label to infer a material space group probabilistically.
  • a space group connected to the label can be inferd using one or more SADP images taken by TEM without the help of a crystal structure expert.
  • the classification system of this embodiment connects the 3D classification system in terms of crystallography and the new 2D classification system formed by clustering SADP images, and analyzes the space group connected to the label to which the SADP image of the material obtained through TEM belongs
  • the space group of the material can be inferred.
  • Space group inference of material can be probabilistically performed even for one SADP image, and when multiple SADP images are given, more accurate space group inference of material can be performed by ensemble each inference probability.
  • the SADP image is a 2D image
  • These SADP images are acquired while changing the scanning direction of the electron beam.
  • the scanning direction of the electron beam is not accurately determined, a large number of electron beam scans are performed.
  • the material may not withstand the energy of the electron beam and may be damaged. Therefore, scanning of electron beams a large number of times must be avoided and it is necessary to accurately determine the scanning direction of electron beams.
  • the classification system of the present invention it may be possible to recommend an accurate scan direction of an electron beam, that is, to recommend a positive axis.
  • FIG. 6 is a diagram showing a classification system according to another embodiment of the present invention
  • FIG. 7 is a diagram showing a table in which the SADP classification system in terms of crystallography and a new SADP classification system that can be easily distinguished by a computer are connected
  • 8 is a diagram showing the structure of a positive axis recommendation unit according to an embodiment of the present invention.
  • the classification system of this embodiment includes a diffraction pattern analysis unit 100, a classification system connection unit 102, a diffraction pattern classification algorithm learning unit 104, a probability-based space group inference unit 106, and a jeongdae axis.
  • a recommendation unit 600 may be included. Operations of the components other than the positive axis recommendation unit 600 are the same as or similar to those in the above embodiment, and thus descriptions thereof are omitted.
  • the table (table) of FIG. 7 is composed of labels having information about the space group and positive axis of the crystal structure.
  • an A1-0 label is obtained by analyzing an input SADP image when a 3D SADP classification system from a crystallographic perspective and a new 2D SADP classification system are connected.
  • the A1-0 label has one-to-many matching with the positive axis [001] of space group 225, the positive axis [001] of space group 227, and the positive axis [001] of space group 229.
  • the input SADP image has a probability of belonging to all three space groups 225, 227, and 229, and as a result, it is impossible to specify a material space group corresponding to the input SADP image.
  • information about the positive axis ([001]) can be accurately known.
  • the present invention proposes a method for clearly specifying a space group only when the material is rotated and aligned with a certain positive axis.
  • the classification system may not recommend the positive axis [111].
  • the B2-0 label or the D11-0 label can be obtained when the next SADP image is analyzed. If the label B2-0 is obtained, it can be clearly known that the material belongs to space group 225, but if the label D11-0 is obtained, it is impossible to clearly specify which space group it belongs to, between space group 227 and space group 229. In this case, it is better than sorting along the positive axis [111], but still cannot clearly specify the space group. Therefore, the classification system may not recommend the positive axis [102].
  • the B1-0 label, D7-0 label, or D7-1 label can be obtained when the next SADP image is analyzed.
  • Obtaining label B1-0 clearly indicates that the material belongs to space group 229
  • obtaining label D7-0 clearly indicates that the material belongs to space group 225
  • obtaining label D7-1 clearly indicates that the material belongs to space group 225. It can clearly be seen that it belongs to space group 227. Therefore, in any case, the space group can be clearly specified, and thus the classification system can recommend Jeong Dae-axis [101].
  • This series of processes can significantly reduce the number and time of scanning electron beams on the material when connected to the TEM hardware, so that the material can be effectively analyzed.
  • the definite axis recommendation unit 600 of the classification system of the present invention sequentially selects the definite axis available for the next TEM SADP scan, and determines whether the space group is clearly specified when the definite axis is selected , we can recommend a positive axis in which the space group is clearly specified.
  • the definite axis recommendation unit 600 may recommend a definite axis in which only labels matched with one space group exist as the next definite axis. That is, the positive axis recommendation unit 600 may recommend a positive axis having a very high discriminating power for a space group. Preferably, the positive axis recommendation unit 600 obtains discrimination powers for the positive axes and recommends a positive axis having the highest discrimination power for the next TEM SADP scan.
  • the positive axis recommendation unit 600 may recommend a positive axis in which only labels matched with two space groups exist as a second best solution. there is. However, the positive axis recommendation unit 600 may not recommend a positive axis having only labels matched with three space groups, unless there is also a positive axis having only labels matching two space groups. This is because, in this case, the probability of specifying the space group is too low.
  • the jeongdae-axis recommender 600 determines how high the jeongdae-axis aligned during the next shooting has a discriminating power for the space group through the entropy (H(X)) calculation of Equation 1 below.
  • n the total number of space groups in the corresponding label.
  • a high entropy may mean that the discriminating power for a space group is low, and a low entropy may mean that the discriminating power for a space group is high.
  • the positive axis recommender 600 may obtain entropy for all positive axes or preset positive axes, and recommend the positive axis having the smallest entropy as the positive axis for the next TEM SADP image capture.
  • the entropy calculation result for the A1-0 label is Equation 2 Same as The maximum value of the entropy is 1, but since the entropy is 1, it can be determined that the space group 225, space group 227, and space group 229 have no discernment power.
  • the label B2-0 or the label D11-0 can be obtained.
  • the B2-0 label has a 100% probability of being in the space group 225
  • the D11-0 label has a 50% probability of being in the space group 227 and a 50% probability of being in the space group 229.
  • the entropy calculation result for the positive axis [102] is Equation 3 Same as Since the entropy is lower than that of the A1-0 label, sorting along the positive axis [102] can have relatively higher discrimination.
  • the B1-0 label, the D7-0 label or the D7-1 label can be obtained.
  • the B1-0 label is a label with a 100% probability of being in the space group 229
  • the label D7-0 is a label with a 100% probability of being in the space group 225
  • the label D7-1 is a label with a 100% probability of being in the space group 227.
  • Positive axis [101] If sorted by the positive axis, it is unknown whether the B1-0 label, D7-0 label, or D7-01 label will appear, so assuming this probability is 33.3%, the positive axis [101 The entropy calculation result for ] is shown in Equation 4 below.
  • the positive axis recommender 600 may recommend the positive axis [101] in the scanning beam direction of the material. As a result, the electron beam can be scanned along the positive axis [101].
  • the positive axis recommendation unit 600 may calculate entropies for all positive axes or a plurality of positive axes and recommend the positive axis having the lowest entropy as the positive axis for the next TEM SADP image capture. Therefore, it is possible to infer the space group of the material by using the SADP photographed in the TEM without the help of a crystal structure expert, and at the same time, by informing the direction of the positive axis that can classify the space group most effectively in the next image, Analysis can be performed with minimal stress.
  • the positive axis recommendation unit 600 may randomly recommend one of the positive axes.
  • the degree of disorder was calculated using entropy, but as long as the positive axis is recommended by calculating the degree of disorder, the method of calculating the degree of disorder can be modified in various ways.
  • the positive axis recommendation unit 600 may include a table unit 800 , a calculation unit 802 and a recommendation unit 804 .
  • the table unit 800 may be composed of labels including information about the space groups of the crystal structure and the positive axis that matches them.
  • the calculation unit 802 may calculate the degree of disorder of positive axes belonging to the labels, for example, the above entropy.
  • the recommendation unit 804 may recommend a positive axis having the lowest degree of disorder as a positive axis for the next photographing as a result of the calculation.
  • each component can be identified as each process.
  • the process of the above-described embodiment can be easily grasped from the viewpoint of components of the device.
  • the technical contents described above may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program commands recorded on the medium may be specially designed and configured for the embodiments or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • a hardware device may be configured to act as one or more software modules to perform the operations of the embodiments and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법이 개시된다. SADP 분류체계는 복수의 레이블들을 포함하되, 상기 레이블들은 투과전자현미경(Transmission Electron Microscope, TEM)으로 촬영된 SADP(Selected Area Diffraction Pattern) 이미지들을 특정 기준에 따라 군집화함에 의해 구축되며, 상기 레이블들은 결정학 관점의 분류체계의 공간군들과 연결된다.

Description

공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
본 발명은 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법에 관한 것이다.
또한, 본 발명은 대상 소재의 공간군 후보를 추론하고 다음 촬영을 위한 정대축을 추천하는 방법에 관한 것이다.
SADP(Selected Area Diffraction Pattern)는 분석하고자 하는 소재에 전자빔을 쏘고 전자의 회절을 이미지 형태로 만든 것이다. SADP는 3차원 결정구조를 2차원의 이미지 형태로 보는 것이기 때문에 하나의 SADP로는 해당 소재의 공간군을 명확히 특정할 수 없다. 이러한 문제를 해결하기 위하여 Ziletti et al.은 여섯 장의 SADP로 하나의 diffraction fingerprint로 만들고 diffraction fingerprint를 학습/분석하여, 소재의 공간군을 특정하는 방법을 제안하였다.
Diffraction fingerprint는 TEM으로 SADP를 촬영할 때 소재를 여섯 방향으로 회전하여 SADP를 획득하였다. 회전하는 방식은 [001] 정대축을 기준으로 회전시켰다. 이 때, x축으로 ±45도 회전하며 획득한 SADP는 RGB의 red channel에 누적하고, y축으로 ±45도 회전하며 획득한 SADP는 green channel에 누적하고, z축으로 ±45도 회전하며 획득한 SADP는 blue channel에 누적하여 diffraction fingerprint를 생성한다.
Diffraction fingerprint를 생성하기 위해서, 맨 처음 전자빔의 진행 방향과 소재의 [001] 정대축을 정렬해야 되는데, 소재의 결정구조를 모르는 상태에서 전자빔의 진행 방향과 소재의 [001] 정대축을 정렬하는 것은 거의 불가능에 가깝다.
만약 전자빔의 진행 방향과 소재의 [001] 정대축을 정렬했다고 가정하더라도, 등방정계(cubic system), 육방정계(hexagonal system)를 벗어나는 결정구조에서 대해서는 x, y, z축으로 각각 ±45도를 회전하여 촬영한 SADP가 의미 있는 정보를 포함하기 어려웠다.
본 발명은 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법을 제공하는 것이다.
또한, 본 발명은 대상 소재의 공간군 후보를 추론하고 다음 촬영을 위한 정대축을 추천하는 방법을 제공하는 것이다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 SADP 분류체계는 복수의 레이블들을 포함하되, 상기 레이블들은 투과전자현미경(Transmission Electron Microscope, TEM)으로 촬영된 SADP(Selected Area Diffraction Pattern) 이미지들을 특정 기준에 따라 군집화함에 의해 구축되며, 상기 레이블들은 결정학 관점의 분류체계의 공간군들과 연결된다.
본 발명의 일 실시예에 따른 분류체계 시스템은 TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 결정구조의 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 회절패턴 분석부; 및 상기 SADP 분류체계를 결정학 관점의 분류체계와 매칭시키는 분류체계 연결부를 포함한다. 여기서, 상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 매칭된다.
본 발명의 다른 실시예에 따른 분류체계 시스템은 TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 회절패턴 분석부; 및 소재의 SADP 이미지에 기계학습에 의해 학습된 알고리즘을 적용하여 획득된 레이블과 연결된 결정학 관점의 분류체계를 분석하여 상기 소재의 공간군을 확률적으로 추론하는 확률기반 공간군 추론부를 포함한다. 여기서, 상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축 정보를 가진다.
본 발명의 또 다른 실시예에 따른 분류체계 시스템은 TEM으로 촬영된 SADP 이미지들을 기계학습을 통하여 분류할 수 있도록 분류 알고리즘을 학습시키는 학습부; 및 소재의 SADP 이미지에 상기 분류 알고리즘을 적용하여 획득된 레이블과 연결된 결정학 관점의 분류체계를 분석하여 상기 소재의 공간군을 확률적으로 추론하는 확률기반 공간군 추론부를 포함한다. 여기서, 상기 레이블들은 상기 SADP 이미지들을 특정 기준에 따라 군집화함에 의해 구축되며 상기 결정학 관점의 분류체계의 공간군들과 연결된다.
본 발명의 일 실시예에 따른 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체에 있어서, 상기 프로그램 코드는 TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 단계; 및 상기 새로운 분류체계를 결정학 관점의 분류체계와 연결시키는 단계를 포함하는 방법을 수행하기 위해 사용되고, 상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 연결된다.
본 발명의 또 다른 실시예에 따른 분류체계 시스템은 2D 패턴에 대한 복수의 레이블들을 가지는 SADP(Selected Area Diffraction Pattern) 분류체계를 결정학 관점의 분류체계와 매칭시키는 분류체계 연결부; 및 소재의 다음 촬영을 위하여 전자빔이 주사될 정대축(zone axis)을 추천하는 정대축 추천부를 포함한다. 여기서, 상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축에 대한 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 매칭된다.
본 발명의 또 다른 실시예에 따른 분류체계 시스템은 결정구조의 공간군과 정대축에 대한 정보를 가지는 레이블들로 구성된 테이블; 및 소재의 다음 촬영을 위하여 전자빔이 주사될 정대축을 추천하는 정대축 추천부를 포함한다. 여기서, 상기 추천되는 정대축은 상기 레이블들 내에 포함된 정대축 중 하나이다.
본 발명의 또 다른 실시예에 따른 분류체계 시스템은 결정구조의 공간군들 및 이와 매칭되는 정대축에 대한 정보들을 가지는 레이블로부터 소재의 다음 촬영을 위하여 전자빔이 주사될 정대축을 추천하는 정대축 추천부를 포함한다. 여기서, 상기 정대축 추천부는 상기 레이블들에 속하는 정대축들에 대한 무질서도를 계산하는 계산부; 및 상기 계산 결과 무질서도가 가장 낮은 정대축을 다음 촬영을 위한 정대축으로 추천하는 추천부를 가진다.
본 발명의 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법은 유사한 SADP 이미지들을 특정 기준으로 군집화하여 새로운 분류체계를 생성하며, 이러한 분류체계를 이용하면 공간군이 용이하게 추론될 수 있다.
또한, 상기 분류 체계 시스템은 결정구조 전문가의 도움 없이 TEM으로 촬영한 하나 이상의 SADP 이미지들을 활용하여 소재의 공간군을 추론할 수 있다.
게다가, 상기 분류 체계 시스템은 다음 촬영시 공간군을 명확하게 특정할 수 있는 정대축을 추천하며, 그 결과 소재에 가해지는 스트레스를 최소화하여 분석을 진행할 수 있다.
도 1은 본 발명의 일 실시예에 따른 분류체계 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 분류체계 구조 및 분류체계 연결을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 SADP 이미지 분류 기준을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 공간군을 추론하는 과정을 도시한 도면이다.
도 5는 동일 결정 분류에 속하는 SADP 이미지들의 일예를 도시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 분류체계 시스템을 도시한 도면이다.
도 7은 결정학 관점의 SADP 분류체계와 컴퓨터가 구분하기 용이한 새로운 SADP 분류체계가 연결된 표를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 정대축 추천부의 구조를 도시한 도면이다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
본 발명은 분류체계 시스템 및 이에 있어서 분류체계 구축 방법에 관한 것으로서, 결정학 관점의 분류체계를 컴퓨터가 구분하기 용이한 새로운 분류체계로 재구축할 수 있다.
여기서, 새로운 분류체계는 SADP(Selected Area Diffraction Pattern) 이미지들을 특정 기준에 따라 분류하여 생성되는 복수의 레이블들을 포함할 수 있다. 즉, 공통 특징을 가지는 또는 유사한 구조의 SADP 이미지들이 동일한 레이블에 속할 수 있다.
또한, 상기 분류체계 시스템은 결정학 관점의 분류 체계와 컴퓨터가 구분하기 용이한 분류체계를 연결하고(매칭시키고), 투과전자현미경(Transmission Electron Microscope, TEM)으로 촬영한 하나 이상의 SADP 이미지를 인공 지능, 특히 머신 러닝(예를 들어, deep learning) 기술로 분석하여 소재의 공간군을 추론할 수 있다.
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다.
도 1은 본 발명의 일 실시예에 따른 분류체계 시스템을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 분류체계 구조 및 분류체계 연결을 도시한 도면이며, 도 3은 본 발명의 일 실시예에 따른 SADP 이미지 분류 기준을 도시한 도면이다. 도 4는 본 발명의 일 실시예에 따른 공간군을 추론하는 과정을 도시한 도면이며, 도 5는 동일 결정 분류에 속하는 SADP 이미지들의 일예를 도시한 도면이다.
도 1을 참조하면, 본 실시예의 분류체계 시스템은 결정학 관점의 분류체계와 다른 컴퓨터가 구분하기 용이한 형태의 새로운 분류체계를 구축하며, 회절패턴 분석부(100), 분류체계 연결부(102), 회전패턴 분류 알고리즘 학습부(104), 확률기반 공간군 추론부(106) 및 이들의 동작을 전반적으로 제어하는 제어부(미도시)를 포함할 수 있다.
회절 패턴 분석부(100)는 하나의 회절점과 이에 가장 가까운 두 회절점으로 구성된 삼각형의 내각 정보와 구조 인자(structure factor) 계산을 통해 알 수 있는 forbidden reflection 정보를 이용하여 컴퓨터가 구분하기 용이한 형태의 SADP 이미지들을 군집화하여 새로운 분류체계(SADP 분류체계)를 생성할 수 있다. 분류체계를 생성시킨다는 점에서, 회전 패턴 분석부(100)는 분류체계 생성부로 명명될 수 있다.
예를 들어, 회절패턴 분석부(100)는 도 3의 좌측에 도시된 하나의 회절점(O)과 이에 가장 가까운 두 회절점(A, B)으로 구성된 삼각형의 내각 정보(∠AOB, ∠OAB)와 도 3의 우측에 도시된 forbidden reflection 정보를 활용하여 외형적으로 유사한 SADP 이미지를 군집화하여 새로운 형태의 분류체계를 만들 수 있다. 여기서, 상기 새로운 분류체계는 2차원 격자가 가질 수 있는 기본 형태를 기준으로 정사각형(square primitive, A), 직사각형(rectangle primitive, B), 정육각형(hexagonal primitive, C), 평행사변형(oblique primitive, D)으로 나눌 수 있다.
다른 실시예에 따르면, 회절 패턴 분석부(100)는 하나의 회절점과 이에 가장 가까운 2개의 회절점이 아닌 1개의 회절점 또는 3개 이상의 회절점들 사이의 내각 정보로 SADP 이미지들을 군집화하여 새로운 분류체계를 생성할 수도 있다.
또 다른 실시예에 따르면, 회절 패턴 분석부(100)는 내각 정보와 forbidden reflection 정보 중 하나만을 이용하여 SADP 이미지들을 군집화하여 새로운 분류체계를 생성할 수도 있다.
또 다른 실시예에 따르면, 회절 패턴 분석부(100)는 중앙의 회절점과 그 주변의 회절점들 사이의 각도들의 평균 각도를 이용하여 SADP 이미지들을 군집화하여 새로운 분류체계를 생성할 수도 있다.
도 2를 참조하여 분류체계 구조를 살펴보면, 결정학 관점의 분류체계는 공간군들(space groups)을 포함하고 있다. 다만, 상호 유사한 구조를 가지는 공간군들이 존재할 수 있다.
새로운 분류체계 구축 과정을 살펴보면, 상기 분류체계 시스템은 우선 TEM을 이용하여 공간군들에 대한 SADP 이미지들을 획득할 수 있다. 도 2에서 "001" 등의 표시는 소재로 주사하는 전자빔의 방향을 의미할 수 있다. 예를 들어, "001"은 전자빔을 Z축과 평행하게 발사할 때의 전자빔의 방향을 나타낼 수 있다. 이 때, 특정 기준으로 분류할 때 유사하거나 동일한 구조를 가지는 복수의 SADP 이미지들이 존재할 수 있다.
회절패턴 분석부(100)는 회절점들로 이루어진 삼각형의 내각 정보(∠AOB, ∠OAB)와 forbidden reflection 정보를 이용하여 SADP 이미지들을 군집화하여 새로운 분류체계를 생성할 수 있다. 이 때, SADP 이미지들을 새로운 분류체계로 분류하는 것은 도 4에 도시된 바와 같이 회전패턴 분류 알고리즘(모델)에 의해 수행될 수 있다.
예를 들어, 회절패턴 분석부(100)는 다섯 개의 공간군(213, 221, 225, 227, 229)의 16개의 정대축([0 0 1], [1 0 1], [1 0 2], [1 0 3], [1 0 4], [1 1 1], [1 1 2], [1 1 3], [1 1 4], [2 0 3], [2 1 2], [2 1 3], [2 1 4], [2 2 3], [3 1 3], [3 2 3])을 기준으로 획득한 SADP 이미지들을 군집화하여 60개의 레이블을 정의할 수 있다. 이 때, 결정학 관점의 분류체계를 기준으로 SADP 이미지들은 112개의 레이블로 분류할 수 있다. 이러한 군집화로 인하여 레이블들의 수는 결정학 관점의 분류체계 기준 레이블들의 수보다 작게 된다.
도 5는 다른 공간군에 속하지만 동일한 레이블에 속하는 SADP 이미지들을 보여준다. 즉, 복수의 공간군들에 대응하는 SADP 이미지들이 하나의 레이블에 속할 수 있다.
한편, 회절점들을 이용하여 새로운 분류체계를 생성하는 한, SADP 이미지들을 군집화하기 위한 기준은 다양하게 변형될 수 있다.
분류체계 연결부(102)는 도 2에 도시된 바와 같이 공간군과 정대축(zone axis)으로 나타낼 수 있는 결정학 관점의 분류체계와 컴퓨터가 구분하기 용이한 형태의 SADP 분류체계를 연결시킬 수 있다. 즉, 분류체계 연결부(102)는 3D 구조의 공간군들과 2D 구조의 레이블들을 연결시킬 수 있다.
상기 레이블과 상기 공간군들의 연결은 기본적으로 일대다로 연결되지만, SADP 이미지의 형태에 따라 일대일 연결될 수도 있다. 즉, 특정 공간군과 정대축에 속하는 SADP 이미지가 하나의 레이블에 속할 수 있다. 이 경우, 하나의 SADP 이미지 입력만으로 정확한 공간군과 정대축 정보를 찾을 수 있다.
회전패턴 분류 알고리즘 학습부(104)는 SADP 이미지들을 기계학습을 통해 분류할 수 있도록 모델(회전패턴 분류 알고리즘)을 학습시킬 수 있다.
일 실시예에 따르면, 회전패턴 분류 알고리즘 학습부(104)는 off-the-shelf 딥러닝 모델인 AlexNet, Inception v3, ResNet, DenseNet 등을 사용하여 회절패턴 분류 알고리즘을 구성하고 학습시킬 수 있다.
확률기반 공간군 추론부(106)는 소재의 SADP 이미지에 회절패턴 분류 알고리즘을 적용하여 획득한 레이블과 연결된 결정학 관점의 분류체계를 분석하여 확률적으로 상기 소재의 결정구조의 공간군을 추론할 수 있다.
예를 들어, 도 4에 도시된 바와 같이 하나의 소재에 속한 두 개의 SADP 이미지들이 주어졌을 때, 확률기반 공간군 추론부(106)는 상기 SADP 이미지들에 각기 회절패턴 분류 알고리즘을 적용하여 획득한 레이블과 연결된 결정학적 분류체계를 분석하여 결정구조의 공간군을 확률적으로 추론할 수 있다.
일 실시예에 따르면, 확률기반 공간군 추론부(106)는 여러 SADP 이미지들로부터 추론된 확률들을 ensemble하여(종합하여) 최종 확률을 도출할 수 있다. 도 4에서는, 각 추론된 확률에 평균을 취하여 최종 확률을 나타냈지만, 각 추론된 확률을 누적한 후 최대값을 나타내는 공간군만을 도출할 수도 있다.
도 4를 참조하여 회절패턴 분류 알고리즘에 입력되는 두 SADP 이미지를 살펴보면, 그 중 상단에 위치한 이미지는 회절패턴 분류 알고리즘을 통해 A1-0 레이블로 분류되고, 해당 레이블은 공간군 221, 225, 227, 229와 일대다 매칭이 되기 때문에 각각의 공간군일 확률 25%를 가진다고 추론된다. 반면 하단에 위치한 이미지는 회절패턴 분류 알고리즘을 통해 D8-0 레이블로 분류되고, 해당 레이블은 공간군 225와 일대일 매칭이 되기 때문에 225 공간군일 확률 100%를 가진다고 추론된다. 최종적으로 이 두 확률의 평균을 취하면 225 공간군일 확률이 62.5%, 221, 227, 229 공간군일 확률 12.5%로 추론된다.
기존에는 이러한 결정학 관점의 분류체계를 이용하여 소재의 공간군을 추론하였다. 구체적으로는, TEM으로 6개의 SADP 이미지들을 획득하고, 상기 획득된 SADP 이미지들을 분석하여 상기 소재가 어느 결정 분류에 속하는지를 검출하였다. 그러나, 이러한 방법은 소재를 여섯 방향으로 회전하며 전자빔을 주사해야하는 등 어려운 과정들이 존재하여 전문가만이 분석할 수가 있었다. 또한, 소재를 여섯 방향으로 정확히 회전하며 전자빔을 주사하기도 어려워서 정확한 공간군을 추론할 수도 없었다.
반면에, 본 실시예의 분류체계 시스템은 SADP 이미지를 군집화하여 복수의 레이블들을 생성하고 상기 레이블과 연결된 공간군을 분석하여 소재의 공간군을 확률적으로 추론할 수 있다. 결과적으로, 결정구조 전문가의 도움 없이도 TEM에서 촬영한 하나 이상의 SADP 이미지를 이용하여 상기 소재의 공간군을 추론할 수 있다.
정리하면, 본 실시예의 분류체계 시스템은 결정학 관점의 3D 분류체계와 SADP 이미지를 군집화함에 의해 형성된 새로운 2D 분류체계를 연결시키고, TEM을 통하여 획득된 소재의 SADP 이미지가 속하는 레이블과 연결된 공간군을 분석하여 상기 소재의 공간군을 추론할 수 있다.
이러한 분류체계를 도입하면 다음과 같은 장점이 있다.
1. 범용적인 기계 학습 기술들을 활용하여도 높은 정확도로 소재의 공간군 추론이 가능하다.
2. 하나의 SADP 이미지에 대해서도 확률적으로 소재의 공간군 추론을 수행할 수 있으며, 복수의 SADP 이미지들이 주어질 경우 각각의 추론 확률을 ensemble하여 더 정확한 소재의 공간군 추론을 수행할 수 있다.
3. TEM 기계와 본 발명을 융합했을 때, 현재 촬영한 SADP 이미지를 분석하여 다음 SADP 촬영을 할 때 어떤 각도에서 촬영하여야 공간군 추론 확률을 높일 수 있는지 제안 가능하다.
실제로 소재의 결정 구조를 TEM을 이용하여 파악하려고 하면, SADP 이미지가 2D 이미지이므로 3D 구조를 결정하기 위해서는 최소 3장 이상의 SADP 이미지를 분석하는 과정이 권장된다. 이러한 SADP 이미지들은 전자빔의 주사 방향을 변경하면서 획득되어진다. 이 때, 정확한 전자빔의 주사 방향이 결정되지 않으면 많은 횟수의 전자빔 주사가 이루어지게 되는데, 전자빔을 물체에 많은 횟수로 주사하면 소재가 전자빔의 에너지를 버티지 못하고 망가질 수 있다. 따라서, 많은 횟수의 전자빔 주사는 지양되어야 하고 정확한 전자빔의 주사 방향이 결정되어질 필요가 있다. 본 발명의 분류체계를 사용하면 정확한 전자빔의 주사 방향 추천, 즉 정대축 추천이 가능할 수 있다.
이하, 주사 방향, 즉 정대축 추천 방법을 살펴보겠다.
도 6은 본 발명의 다른 실시예에 따른 분류체계 시스템을 도시한 도면이고, 도 7은 결정학 관점의 SADP 분류체계와 컴퓨터가 구분하기 용이한 새로운 SADP 분류체계가 연결된 표를 도시한 도면이며, 도 8은 본 발명의 일 실시예에 따른 정대축 추천부의 구조를 도시한 도면이다.
도 6을 참조하면, 본 실시예의 분류체계 시스템은 회절패턴 분석부(100), 분류체계 연결부(102), 회절패턴 분류 알고리즘 학습부(104), 확률기반 공간군 추론부(106) 및 정대축 추천부(600)를 포함할 수 있다. 정대축 추천부(600)를 제외한 나머지 구성요소들의 동작은 위의 실시예에서와 동일하거나 유사하므로, 이하 설명을 생략한다.
우선 도 7을 참조하여 정대축을 추천하는 방법에 대한 개념을 설명하고, 그런 후 정대축 추천부(600)의 기능을 살펴보겠다. 도 7의 표(테이블)는 결정구조의 공간군과 정대축에 대한 정보를 가지는 레이블들로 구성된다.
도 7의 표를 참조하면, 결정학 관점의 3D SADP 분류체계와 새로운 2D SADP 분류체계가 연결되어 있을 때 입력된 SADP 영상을 분석하여 A1-0 레이블을 획득하였다고 가정하자. 이 경우, A1-0 레이블은 공간군 225의 정대축 [001], 공간군 227의 정대축 [001], 공간군 229의 정대축 [001]과 일대다 매칭을 가진다. 따라서, 상기 입력된 SADP 영상은 225, 227, 229의 세 공간군에 모두 속할 확률을 가지며, 그 결과 상기 입력된 SADP 영상에 해당하는 소재의 공간군을 특정할 수가 없다. 다만, 정대축([001])에 대한 정보는 정확히 알 수 있다.
이러한 상황에서, 다음 TEM SADP 촬영 때 명확하게 공간군을 특정할 수 있는 정대축을 추천할 필요가 있다. 따라서, 본 발명은 상기 소재를 회전시켜 어떠한 정대축과 정렬하여야 공간군을 명확하게 특정할 수 있는 방법을 제안한다.
다음 TEM SADP 촬영시 상기 소재를 정대축 [111]과 정렬시키면, 다음 촬영된 SADP 영상을 분석하였을 때 C1-0 레이블을 획득할 것이다. 상기 C1-0 레이블은 공간군 225, 공간군 227 및 공간군 229에 속할 수 있으며, 따라서 상기 소재의 공간군을 명확하게 특정할 수가 없다. 따라서, 상기 분류체계 시스템은 정대축 [111]을 추천하지 않을 수 있다.
다음 TEM SADP 촬영시 상기 소재를 정대축 [102]과 정렬시키면, 다음 촬영된 SADP 영상을 분석하였을 때 B2-0 레이블 혹은 D11-0 레이블을 획득할 수 있다. B2-0 레이블을 획득하면, 상기 소재가 공간군 225에 속한다는 것을 확실히 알 수 있지만, D11-0 레이블을 획득하였다면 공간군 227과 공간군 229 중 어느 공간군에 속할지 명확히 특정할 수가 없다. 이 경우, 정대축 [111]로 정렬하는 것보는 낫지만 여전히 명확하게 공간군을 특정할 수가 없다. 따라서, 상기 분류체계 시스템은 정대축 [102]를 추천하지 않을 수 있다.
다음 TEM SADP 촬영시 상기 소재를 정대축 [101]과 정렬시키면, 다음 촬영된 SADP 영상을 분석하였을 때 B1-0 레이블, D7-0 레이블 또는 D7-1 레이블을 획득할 수 있다. B1-0 레이블을 획득하면 상기 소재가 공간군 229에 속함을 명확히 알 수 있고, D7-0 레이블을 획득하면 상기 소재가 공간군 225에 속한다는 것을 명확히 알 수 있으며, D7-1 레이블을 획득하면 공간군 227에 속함을 명확히 알 수 있다. 따라서, 어떠한 경우에도 공간군을 명확히 특정할 수 있으며, 따라서 상기 분류체계 시스템은 정대축 [101]을 추천할 수 있다.
한편, SADP 영상 분석 결과가 B5-0 레이블이면 정대축 [104]와 정대축 [223]이 존재하므로, 정확한 정대축 정보를 알 수가 없다. 이 경우에는, 정대축 [104]일 경우를 가정하고 상기 과정을 거쳐 획득한 다음 촬영 때 정렬할 정대축과, 정대축 [223]일 경우를 가정하고 상기의 과정을 거쳐 획득한 다음 촬영 때 정렬할 정대축 중 공간군을 더 효과적으로 구분할 수 있는 정대축을 선택할 수 있다.
이러한 일련의 과정은 TEM 하드웨어와 연결되어 있을 때, 상기 소재에 전자빔을 주사하는 횟수와 시간을 현저히 줄일 수 있으므로, 상기 소재를 효과적으로 분석할 수 있다.
정리하면, 본 발명의 분류체계 시스템의 정대축 추천부(600)는 다음 TEM SADP 촬영시 사용 가능한 정대축들을 순차적으로 선택하면서 해당 정대축이 선택되었을 때 공간군이 명확히 특정되는 지의 여부를 판단하고, 공간군이 명확히 특정되는 정대축을 추천할 수 있다.
일 실시예에 따르면, 정대축 추천부(600)는 하나의 공간군과 매칭되는 레이블만이 존재하는 정대축을 다음 정대축으로 추천할 수 있다. 즉, 정대축 추천부(600)는 공간군에 대한 분별력이 매우 높은 정대축을 추천할 수 있다. 바람직하게는, 정대축 추천부(600)는 정대축들에 대한 분별력들을 구하고, 분별력이 가장 높은 정대축을 다음 TEM SADP 촬영을 위하여 추천할 수 있다.
물론, 하나의 공간군과 매칭되는 레이블만이 존재하는 정대축이 존재하지 않는 경우, 정대축 추천부(600)는 차선책으로 2개의 공간군들과 매칭되는 레이블만이 존재하는 정대축을 추천할 수 있다. 다만, 정대축 추천부(600)는 2개의 공간군들과 매칭되는 레이블만이 존재하는 정대축도 존재하지 않으면, 3개의 공간군들과 매칭되는 레이블만이 존재하는 정대축은 추천하지 않을 수 있다. 이 경우에는, 공간군을 특정할 확률이 너무 낮아지기 때문이다.
이러한 정대축 추천을 위하여, 정대축 추천부(600)는 다음 촬영때 정렬한 정대축이 공간군에 대한 분별력이 얼마나 높은 지를 하기 수학식 1의 엔트로피(entropy, H(X)) 계산을 통하여 파악할 수 있다.
Figure PCTKR2022015355-appb-img-000001
여기서,
Figure PCTKR2022015355-appb-img-000002
는 특정 정대축에서의 j번째 레이블의 확률을 의미하며, k는 레이블의 총 수를 나타내고,
Figure PCTKR2022015355-appb-img-000003
는 해당 레이블에서 i번째 공간군에 속할 확률을 의미하며, n은 해당 레이블에서 공간군의 총 수를 나타낸다.
상기 엔트로피는 무질서도를 나타내므로, 상기 엔트로피가 높다는 것은 공간군에 분별력이 낮다는 것을 의미하고, 상기 엔트로피가 낮다는 것은 공간군에 대한 분별력이 높다는 것을 의미할 수 있다.
따라서, 정대축 추천부(600)는 모든 정대축, 또는 기설정된 정대축들에 대한 엔트로피를 구하고, 엔트로피가 가장 작은 정대축을 다음 TEM SADP 영상 촬영을 위한 정대축으로 추천할 수 있다.
상기 입력된 SADP를 분석하여 A1-0 레이블을 획득하였다면, 공간군 225, 공간군 227, 공간군 229에 속할 확률이 각기 1/3이므로, A1-0 레이블에 대한 엔트로피 계산 결과는 하기 수학식 2와 같다. 상기 엔트로피의 최대값은 1인데, 엔트로피가 1이 나왔으므로, 공간군 225, 공간군 227, 공간군 229에 대하여 아무런 분별력도 가지지 못한다고 판단할 수 있다.
Figure PCTKR2022015355-appb-img-000004
상기 A1-0 레이블을 획득한 이후에 정대축 [102]로 정렬시킨다면, B2-0 레이블 혹은 D11-0 레이블을 획득할 수 있다. B2-0 레이블은 공간군 225일 확률이 100%인 레이블이고, D11-0 레이블은 공간군 227일 확률 50%, 공간군 229일 확률 50%인 레이블이다. 상기 정대축 [102]로 정렬했을 경우 B2-0 레이블이 나오게 될지 D11-0 레이블이 나올지 알 수 없으므로, 이 확률을 50%라 가정하면 정대축 [102]에 대한 엔트로피 계산 결과는 하기 수학식 3과 같다. A1-0 레이블이었을 경우보다 엔트로피가 낮아졌으므로, 정대축 [102]로 정렬하는 것이 상대적으로 더 높은 분별력을 가질 수 있다.
Figure PCTKR2022015355-appb-img-000005
정대축 [101]로 정렬시키면, B1-0 레이블, D7-0 레이블 또는 D7-1 레이블을 획득할 수 있다. B1-0 레이블은 공간군 229일 확률이 100%인 레이블이고, D7-0 레이블은 공간군 225일 확률이 100%인 레이블이며, D7-1은 공간군 227일 확률이 100%인 레이블이다. 정대축 [101] 정대축으로 정렬했을 경우, B1-0 레이블이 나오게 될지, D7-0 레이블이 나오게 될지, D7-01 레이블이 나오게 될지 알 수 없으므로 이 확률을 33.3%라 가정하면 정대축 [101]에 대한 엔트로피 계산 결과는 하기 수학식 4와 같다.
Figure PCTKR2022015355-appb-img-000006
정대축 [102]과 정대축 [101]로 정렬시켰을 때의 엔트로피를 비교하면, 정대축 [101]일 때가 엔트로피가 낮다. 따라서, 정대축 추천부(600)는 상기 소재의 주사빔 방향으로 정대축 [101]을 추천할 수 있다. 결과적으로, 전자빔이 정대축 [101]로 주사될 수 있다.
정리하면, 정대축 추천부(600)는 모든 정대축 또는 복수의 정대축들에 대한 엔트로피들을 계산하고 가장 낮은 엔트로피를 가지는 정대축을 다음 TEM SADP 영상 촬영을 위한 정대축으로 추천할 수 있다. 따라서, 결정구조 전문가의 도움없이 TEM에서 촬영한 SADP를 활용하여 해당 소재의 공간군을 추론할 수 있음과 동시에 다음 촬영시 가장 효과적으로 공간군을 분류할 수 있는 정대축 방향을 알려줌으로써 소재에 가해지는 스트레스를 최소화하며 분석을 진행할 수 있다.
한편, 가장 낮은 엔트로피를 가지는 복수의 정대축들이 존재하는 경우, 정대축 추천부(600)는 상기 정대축들 중 하나를 임의로 추천할 수 있다.
위에서는, 엔트로피를 이용하여 무질서도를 계산하였으나, 무질서도를 계산하여 정대축을 추천하는 한 무질서도를 계산하는 방법은 다양하게 변형될 수 있다.
이러한 정대축 추천부(600)의 구조를 도 8을 참조하여 살펴보면, 정대축 추천부(600)는 테이블부(800), 계산부(802) 및 추천부(804)를 포함할 수 있다.
테이블부(800)는 결정구조의 공간군들과 이와 매칭되는 정대축에 대한 정보들을 포함하는 레이블들로 구성될 수 있다.
계산부(802)는 상기 레이블들에 속하는 정대축들에 대한 무질서도, 예를 들어 위의 엔트로피를 계산할 수 있다.
추천부(804)는 상기 계산 결과 무질서도가 가장 낮은 정대축을 다음 촬영을 위한 정대축으로 추천할 수 있다.
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.
또한 앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (24)

  1. 복수의 레이블들을 포함하되,
    상기 레이블들은 투과전자현미경(Transmission Electron Microscope, TEM)으로 촬영된 SADP(Selected Area Diffraction Pattern) 이미지들을 특정 기준에 따라 군집화함에 의해 구축되며, 상기 레이블들은 결정학 관점의 분류체계의 공간군들과 연결되는 것을 특징으로 하는 SADP 분류체계.
  2. 제1항에 있어서, 상기 특정 기준은 상기 SADP 이미지에서 하나의 회절점과 이에 가장 가까이 위치하는 두 회절점들로 구성된 삼각형의 내각 정보와 forbidden reflection 정보이되,
    상기 삼각형의 내각 정보와 상기 forbidden reflection 정보가 유사하다고 판단되는 SADP 이미지들은 동일한 레이블에 속하는 것을 특징으로 하는 SADP 분류체계.
  3. 제2항에 있어서, 상기 SADP 이미지들은 상기 공간군들의 정대축들을 기준으로 하여 획득된 이미지들이며, 상기 레이블의 수는 상기 공간군과 정대축의 곱보다 작은 것을 특징으로 하는 SADP 분류체계.
  4. TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 2D 패턴에 대한 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 회절패턴 분석부; 및
    상기 SADP 분류체계를 결정학 관점의 분류체계와 매칭시키는 분류체계 연결부를 포함하되,
    상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 매칭되는 것을 특징으로 하는 분류체계 시스템.
  5. 제4항에 있어서, 상기 특정 기준은 상기 SADP 이미지에서 하나의 회절점과 이에 가장 가까이 위치하는 두 회절점들로 구성된 삼각형의 내각 정보와 forbidden reflection 정보이되,
    상기 삼각형의 내각 정보와 상기 forbidden reflection 정보가 유사하다고 판단되는 SADP 이미지들은 동일한 레이블에 속하는 것을 특징으로 하는 분류체계 시스템.
  6. 제4항에 있어서,
    상기 SADP 이미지들을 기계학습을 통하여 분류할 수 있도록 회전패턴 분류 알고리즘을 학습시키는 학습부; 및
    소재의 SADP 이미지에 상기 회전패턴 분류 알고리즘을 적용하여 획득된 레이블과 매칭된 결정학 관점의 분류체계를 분석하여 상기 소재의 공간군을 확률적으로 추론하는 확률기반 공간군 추론부를 더 포함하는 것을 특징으로 하는 분류체계 시스템.
  7. 제6항에 있어서, 상기 확률기반 공간군 추론부는 상기 SADP 이미지들로부터 추론된 확률들을 ensemble하여 최종 확률을 도출하거나, 추론된 확률들을 누적한 후 최대값을 나타내는 공간군만을 도출하는 것을 특징으로 하는 분류체계 시스템.
  8. TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 회절패턴 분석부; 및
    소재의 SADP 이미지에 기계학습에 의해 학습된 알고리즘을 적용하여 획득된 레이블과 연결된 결정학 관점의 분류체계를 분석하여 상기 소재의 공간군을 확률적으로 추론하는 확률기반 공간군 추론부를 포함하되,
    상기 결정학 관점의 분류체계는 공간군과 정대축 정보를 가지는 것을 특징으로 하는 분류체계 시스템.
  9. 제8항에 있어서, 상기 특정 기준은 상기 SADP 이미지에서 하나의 회절점과 이에 가장 가까이 위치하는 두 회절점들로 구성된 삼각형의 내각 정보와 forbidden reflection 정보이되,
    상기 삼각형의 내각 정보와 상기 forbidden reflection 정보가 유사하다고 판단되는 SADP 이미지들은 동일한 레이블에 속하는 것을 특징으로 하는 분류체계 시스템.
  10. 제8항에 있어서, 상기 확률기반 공간군 추론부는 상기 SADP 이미지들로부터 추론된 확률들을 ensemble하여 최종 확률을 도출하거나, 추론된 확률들을 누적한 후 최대값을 나타내는 공간군만을 도출하는 것을 특징으로 하는 분류체계 시스템.
  11. TEM으로 촬영된 SADP 이미지들을 기계학습을 통하여 분류할 수 있도록 분류 알고리즘을 학습시키는 학습부; 및
    소재의 SADP 이미지에 상기 분류 알고리즘을 적용하여 획득된 레이블과 연결된 결정학 관점의 분류체계를 분석하여 상기 소재의 공간군을 확률적으로 추론하는 확률기반 공간군 추론부를 포함하되,
    상기 레이블들은 상기 SADP 이미지들을 특정 기준에 따라 군집화함에 의해 구축되며 상기 결정학 관점의 분류체계의 공간군들과 연결되는 것을 특징으로 하는 분류체계 시스템.
  12. 제11항에 있어서, 상기 특정 기준은 상기 SADP 이미지에서 하나의 회절점과 이에 가장 가까이 위치하는 두 회절점들로 구성된 삼각형의 내각 정보와 forbidden reflection 정보이되,
    상기 삼각형의 내각 정보와 상기 forbidden reflection 정보가 유사하다고 판단되는 SADP 이미지들은 동일한 레이블에 속하는 것을 특징으로 하는 분류체계 시스템.
  13. 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체에 있어서,
    상기 프로그램 코드는,
    TEM으로 촬영된 SADP 이미지들을 특정 기준에 따라 군집화하여 복수의 레이블들을 가지는 SADP 분류체계를 생성하는 단계; 및
    상기 새로운 분류체계를 결정학 관점의 분류체계와 연결시키는 단계를 포함하는 방법을 수행하기 위해 사용되고,
    상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 연결되는 것을 특징으로 하는 기록매체.
  14. 2D 패턴에 대한 복수의 레이블들을 가지는 SADP(Selected Area Diffraction Pattern) 분류체계를 결정학 관점의 분류체계와 매칭시키는 분류체계 연결부; 및
    소재의 다음 촬영을 위하여 전자빔이 주사될 정대축(zone axis)을 추천하는 정대축 추천부를 포함하되,
    상기 결정학 관점의 분류체계는 결정구조의 공간군과 정대축에 대한 정보를 가지며, 상기 SADP 분류체계의 레이블들은 상기 공간군들과 일대다 또는 일대일로 매칭되는 것을 특징으로 하는 분류체계 시스템.
  15. 제14항에 있어서, 상기 정대축 추천부는 하나의 공간군과 매칭되는 레이블만이 존재하는 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
  16. 제14항에 있어서, 상기 정대축 추천부는 상기 레이블들에 속하는 정대축들에 대한 무질서도를 계산하며, 상기 계산 결과 무질서도가 상대적으로 높은 정대축은 추천하지 않고 상대적으로 낮은 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
  17. 제16항에 있어서, 상기 계산 결과 무질서도가 가장 낮은 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
  18. 제17항에 있어서, 상기 정대축 추천부는 상기 무질서도로서 하기 수학식의 엔트로피를 구하고, 상기 엔트로피가 가장 작은 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
    [ 수학식 ]
    Figure PCTKR2022015355-appb-img-000007
    여기서,
    Figure PCTKR2022015355-appb-img-000008
    는 특정 정대축에서의 j번째 레이블의 확률을 의미하며, k는 레이블의 총 수를 나타내고,
    Figure PCTKR2022015355-appb-img-000009
    는 해당 레이블에서 i번째 공간군에 속할 확률을 의미하며, n은 해당 레이블에서 공간군의 총 수를 나타냄.
  19. 제18항에 있어서, 상기 정대축 추천부는 가장 작은 엔트로피를 가지는 복수의 정대축들이 존재하는 경우 상기 정대축들 중 하나를 임의로 추천하는 것을 특징으로 하는 분류체계 시스템.
  20. 결정구조의 공간군과 정대축에 대한 정보를 가지는 레이블들로 구성된 테이블; 및
    소재의 다음 촬영을 위하여 전자빔이 주사될 정대축을 추천하는 정대축 추천부를 포함하되,
    상기 추천되는 정대축은 상기 레이블들 내에 포함된 정대축 중 하나인 것을 특징으로 하는 분류체계 시스템.
  21. 제20항에 있어서, 상기 정대축 추천부는 하나의 공간군과 매칭되는 레이블만이 존재하는 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
  22. 제20항에 있어서, 상기 정대축 추천부는 상기 레이블들에 속하는 정대축들에 대한 무질서도를 계산하며, 상기 계산 결과 무질서도가 가장 낮은 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
  23. 결정구조의 공간군들 및 이와 매칭되는 정대축에 대한 정보들을 가지는 레이블로부터 소재의 다음 촬영을 위하여 전자빔이 주사될 정대축을 추천하는 정대축 추천부를 포함하되,
    상기 정대축 추천부는,
    상기 레이블들에 속하는 정대축들에 대한 무질서도를 계산하는 계산부; 및
    상기 계산 결과 무질서도가 가장 낮은 정대축을 다음 촬영을 위한 정대축으로 추천하는 추천부를 가지는 것을 특징으로 하는 분류체계 시스템.
  24. 제23항에 있어서, 상기 정대축 추천부는 상기 무질서도로서 하기 수학식의 엔트로피를 구하고, 상기 엔트로피가 가장 작은 정대축을 다음 촬영을 위한 정대축으로 추천하는 것을 특징으로 하는 분류체계 시스템.
    [ 수학식 ]
    Figure PCTKR2022015355-appb-img-000010
    여기서,
    Figure PCTKR2022015355-appb-img-000011
    는 특정 정대축에서의 j번째 레이블의 확률을 의미하며, k는 레이블의 총 수를 나타내고,
    Figure PCTKR2022015355-appb-img-000012
    는 해당 레이블에서 i번째 공간군에 속할 확률을 의미하며, n은 해당 레이블에서 공간군의 총 수를 나타냄.
PCT/KR2022/015355 2021-10-14 2022-10-12 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법 WO2023063703A1 (ko)

Applications Claiming Priority (10)

Application Number Priority Date Filing Date Title
KR10-2021-0136499 2021-10-14
KR20210136499 2021-10-14
KR10-2021-0156578 2021-11-15
KR10-2021-0156580 2021-11-15
KR1020210156578A KR20230053473A (ko) 2021-10-14 2021-11-15 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
KR1020210156580A KR102405557B1 (ko) 2021-10-14 2021-11-15 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
KR20210157137 2021-11-16
KR10-2021-0157137 2021-11-16
KR1020210185805A KR102535327B1 (ko) 2021-11-16 2021-12-23 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
KR10-2021-0185805 2021-12-23

Publications (1)

Publication Number Publication Date
WO2023063703A1 true WO2023063703A1 (ko) 2023-04-20

Family

ID=85988487

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/015355 WO2023063703A1 (ko) 2021-10-14 2022-10-12 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법

Country Status (1)

Country Link
WO (1) WO2023063703A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012507838A (ja) * 2008-11-06 2012-03-29 ナノメガス エスピーアールエル 電子線回折による高スループット結晶構造解析のための方法及びデバイス
JP2012204835A (ja) * 2011-03-23 2012-10-22 Asml Netherlands Bv 構造の電磁散乱特性を計算し、近似構造を再構築する方法及び装置
KR20170120518A (ko) * 2016-04-21 2017-10-31 에프이아이 컴파니 회절 패턴을 이용한 샘플 정렬 시스템
KR102230354B1 (ko) * 2019-11-18 2021-03-22 고려대학교 산학협력단 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법
KR102405557B1 (ko) * 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012507838A (ja) * 2008-11-06 2012-03-29 ナノメガス エスピーアールエル 電子線回折による高スループット結晶構造解析のための方法及びデバイス
JP2012204835A (ja) * 2011-03-23 2012-10-22 Asml Netherlands Bv 構造の電磁散乱特性を計算し、近似構造を再構築する方法及び装置
KR20170120518A (ko) * 2016-04-21 2017-10-31 에프이아이 컴파니 회절 패턴을 이용한 샘플 정렬 시스템
KR102230354B1 (ko) * 2019-11-18 2021-03-22 고려대학교 산학협력단 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법
KR102405557B1 (ko) * 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AHN, JAE PYOUNG ET AL.: "Electron Diffraction and Nanostructural Analysis in Electron Microscope", POLYMER SCIENCE AND TECHNOLOGY, HANGUG GOBUNJA HAGHOI, KOREA, vol. 17, no. 4, 1 August 2006 (2006-08-01), Korea , pages 493 - 510, XP009545396, ISSN: 1225-0260 *

Similar Documents

Publication Publication Date Title
WO2011096651A2 (ko) 얼굴 식별 방법 및 그 장치
CA2621168C (en) Identification and classification of virus particles in textured electron micrographs
US20070133855A1 (en) Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus
US20130259372A1 (en) Method and apparatus for object classifier generation, and method and apparatus for detecting object in image
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2021107422A1 (ko) 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
WO2023063703A1 (ko) 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
CN1766907A (zh) 基于聚类遗传算法的多目标图像识别方法
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
WO2023063486A1 (ko) 기계학습모델의 생성 방법 및 그 장치
WO2019045147A1 (ko) 딥러닝을 pc에 적용하기 위한 메모리 최적화 방법
KR20230053473A (ko) 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
Yao et al. Insulator detection dased on GIOU-YOLOv3
KR102535327B1 (ko) 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
Ozawa CLASSIC: a hierarchical clustering algorithm based on asymmetric similarities
KR20230071772A (ko) 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
WO2019117400A1 (ko) 유전자 네트워크 구축 장치 및 방법
WO2017155315A1 (ko) 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법
WO2021015489A2 (ko) 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
WO2024053948A1 (ko) 변환 모델 구축 장치 및 방법과 이를 이용한 이미지 매칭 장치 및 방법
Chen et al. Research on an efficient single-stage multi-object detection algorithm
WO2022250481A1 (ko) 불량 검출 장치
JP2020181265A (ja) 情報処理装置、システム、情報処理方法及びプログラム
Xiang et al. A YOLO-v4-Based Risk Detection Method for Power High Voltage Operation Scene
Zhao et al. Defect Detection Method on Power Distribution Equipment Using Cascaded Network Improved by GS-NMCSO Algorithm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22881330

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022881330

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022881330

Country of ref document: EP

Effective date: 20240409