小角度X射线散射（萨克斯）广泛用于材料科学，作为检查纳米结构的一种方式。实验萨克斯数据的分析涉及将相当简单的数据格式映射到大量的结构模型。尽管各种科学计算工具来协助模型选择，但活动依赖于萨克斯分析师的经验，这被认为是社区的效率瓶颈。要应对这一决策问题，我们开发和评估开源，基于机器学习的工具扫描（散射AI分析），以提供关于模型选择的建议。扫描利用多台机器学习算法，并使用模型和在SASView包中实现的模拟工具，用于生成定义的一组规定的数据集。我们的评价表明，扫描提供了95％-97％的整体准确性。 XGBoost分类器已被识别为最准确的方法，在准确性和培训时间之间的平衡良好。对于普通纳米结构的11个预定义的结构模型和易于抽取功能来扩展数量和类型培训模型，扫描可以加速萨克斯数据分析工作流程。
translated by 谷歌翻译