高通量纳米材料发现的一个瓶颈是新材料结构表征的速度。尽管目前的机器学习（ML）方法显示出自动处理电子衍射图案（DP）的前景，但它们在从具有随机取向的晶体中收集DP仍极具挑战性。受人类决策过程的启发，美国西北大学Chen Wei、Chad A. Mirkin开发了一个从任意方向的DP中自动分类晶体系统的框架。
本文要点：
1) 作者使用深度学习对卷积神经网络进行训练，并对预测不确定性进行量化和利用，以融合多视角预测。通过DP的矢量图分析发现，该框架在所考虑的示例中实现了0.94的测试精度。
2) 此外，该框架对噪声具有一定稳定性，并在实验数据分析中具有显著的准确性。该工作强调了ML用于加速实验高通量材料数据分析的能力。
Jie Chen et.al Automated crystal system identification from electron diffraction patterns using multiview opinion fusion machine learning PNAS 2023
DOI: 10.1073/pnas.2309240120
https://doi.org/10.1073/pnas.2309240120
