研究目的
结合复杂度量与机器学习技术，直接从向列相和胆甾相液晶的织构图像中提取其物理性质。
研究成果
该方法能从纹理图像中精确预测液晶的物理性质，在回归和分类任务中均具有高精度。其方法简单、快速且可扩展，在材料科学及基于成像的表征领域展现出更广泛的应用潜力。
研究不足
该方法依赖于特定的复杂性度量，可能无法捕捉纹理复杂性的所有方面；它需要已知的物理特性进行训练，且精度可能受到复杂性-熵平面中噪声或重叠特征的影响。该方法已在特定液晶类型上得到验证，对于其他材料或更复杂的实验设置可能需要调整。
1：实验设计与方法选择：
该方法通过计算液晶织构的排列熵（H）和统计复杂性（C），并将其作为监督学习任务（回归与分类）的特征，采用k近邻算法进行分析。
2：样本选择与数据来源：
数据包括蒙特卡洛模拟生成的向列相织构、E7液晶样品的实验向列相织构，以及连续弹性理论模拟的胆甾相织构。
3：实验设备与材料清单：
偏光显微镜、温控仪、E7液晶样品、矩形毛细管，以及用于模拟和图像处理的计算工具。
4：实验流程与操作步骤：
实验织构通过控温加热采集间隔图像；模拟织构基于特定模型生成（如向列相的Lebwohl-Lasher势、胆甾相的Landau-de Gennes理论）。图像转为灰度后计算H和C。
5：数据分析方法：
采用k近邻算法进行回归（预测序参量与温度）和分类（预测螺距长度），通过交叉验证优化参数并评估精度。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Polarized Optical Microscope
Used for imaging liquid crystal textures in experimental setups.
-
Temperature Controller
Controls the temperature of liquid crystal samples during experiments.
-
E7 Liquid Crystal
Multicomponent nematic liquid crystal mixture used in experimental samples.
-
scikit-learn
Python module used for implementing the k-nearest neighbors machine learning algorithm.
-
登录查看剩余2件设备及参数对照表
查看全部
