.png){kind=icon}
返回
Ab initio structure solutions from nanocrystalline powder diffraction data via diffusion models
.png){kind=icon}
OA
AI
DOI：10.1038/s41563-025-02220-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
材料科学中的一个主要挑战是确定纳米级物体的结构。这里我们提出了一种基于扩散过程的生成式机器学习模型的方法，该模型在45,229个已知结构上进行了训练。该模型考虑了测量的衍射图样以及原子团簇结构晶胞的相关统计先验。仅以化学式和有限尺寸展宽的粉末衍射图样（信息稀疏）为条件，我们发现我们的模型PXRDnet能够成功解析模拟纳米晶体，其尺寸小至10埃，跨越200种不同对称性和复杂度的材料，包括来自所有七个晶系的晶体结构。我们证明，我们的模型能够成功且可验证地确定结构候选，五次中有四次成功，这些候选的平均误差仅为7%（通过后-Rietveld精修R因子测量）。此外，PXRDnet能够解析来自真实实验中收集的含噪声衍射图样的结构。我们建议，从理论模拟引导的数据驱动方法最终将提供一条确定先前未解决的纳米材料结构的路径。
Keyword:
ALGORITHM
期刊
IF:
38.5
论文数:
6.8K
被引数:
11.5W
机构
暂无机构信息
引用论文
Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis高通量无机材料预测和自主合成的挑战.png)
PRX EnergyOAAI
PRX EnergyIF0
OAAI分享收藏Insightful classification of crystal structures using deep learning使用深度学习对晶体结构进行有见地的分类NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Toward autonomous design and synthesis of novel inorganic materials走向新型无机材料的自主设计与合成MATERIALS HORIZONSOAAI
MATERIALS HORIZONSIF10.7
OAAI分享收藏Fast and interpretable classification of small X-ray diffraction datasets using data augmentation and deep neural networks使用数据增强和深度神经网络对小型x射线衍射数据集进行快速且可解释的分类OAAI
OAAI分享收藏Recent advances and applications of deep learning methods in materials science深度学习方法在材料科学中的最新进展与应用OAAI
OAAI分享收藏MLstructureMining: a machine learning tool for structure identification from X-ray pair distribution functionsDIGITAL DISCOVERYOAAI
DIGITAL DISCOVERYIF5.6
OAAI分享收藏
查看更多内容