要約
材料科学における主要な課題は、ナノメートルサイズの物体の構造を決定することです。
ここでは、45,229 の既知の構造でトレーニングされた拡散プロセスに基づく生成機械学習モデルを使用する新しいアプローチを紹介します。
このモデルは、測定された回折パターンと、原子クラスター構造の単位セルに関する関連する統計的事前分布の両方を考慮します。
化学式と情報が乏しい有限サイズの広がった粉末回折パターンのみを条件として、私たちのモデル PXRDnet が、さまざまな対称性と複雑さの 200 の材料にわたって 10 オングストロームほどの小さなシミュレートされたナノ結晶を首尾よく解くことができることがわかりました。
7つの結晶系。
私たちのモデルは、5 回中 4 回、構造候補を首尾よく検証可能に決定でき、これらの候補間の平均誤差はわずか 7% であることを示します (リートベルト精密化後の R 因子で測定)。
さらに、PXRDnet は、現実の実験で収集されたノイズの多い回折パターンから構造を解析することができます。
私たちは、理論的シミュレーションからブートストラップされたデータ駆動型のアプローチが、最終的にはこれまで解明されていなかったナノ材料の構造を決定するための道を提供するだろうと提案します。
要約(オリジナル)
A major challenge in materials science is the determination of the structure of nanometer sized objects. Here we present a novel approach that uses a generative machine learning model based on diffusion processes that is trained on 45,229 known structures. The model factors both the measured diffraction pattern as well as relevant statistical priors on the unit cell of atomic cluster structures. Conditioned only on the chemical formula and the information-scarce finite-size broadened powder diffraction pattern, we find that our model, PXRDnet, can successfully solve simulated nanocrystals as small as 10 angstroms across 200 materials of varying symmetry and complexity, including structures from all seven crystal systems. We show that our model can successfully and verifiably determine structural candidates four out of five times, with average error among these candidates being only 7% (as measured by post-Rietveld refinement R-factor). Furthermore, PXRDnet is capable of solving structures from noisy diffraction patterns gathered in real-world experiments. We suggest that data driven approaches, bootstrapped from theoretical simulation, will ultimately provide a path towards determining the structure of previously unsolved nano-materials.
arxiv情報
著者 | Gabe Guo,Tristan Saidi,Maxwell Terban,Michele Valsecchi,Simon JL Billinge,Hod Lipson |
発行日 | 2024-10-31 17:29:37+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google