.png){kind=icon}
返回
Accelerating electron diffraction analysis using graph neural networks and attention mechanisms
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01927-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电子衍射（ED）常用于求解未知结构或优化现有结构。现有的自动化ED分析方法通常面临计算成本高和实验噪声等挑战。本研究引入了一种深度学习框架，用于加速和改进从衍射图谱中确定晶体结构。该方法将每个衍射图谱视为布拉格斑点的关系图。斑点特征通过1D卷积网络进行编码，随后由关系注意力聚合器构建一个方向无关的图。该图由增强Mixture-of-Experts层的Graphormer编码器处理，使模型能够高效学习复杂的晶体学关系。在大量模拟衍射图谱数据集上训练和测试后，该模型从单个图谱中实现了89.2%的晶体系分类准确率和70.2%的空间群准确率，显著优于当前最先进的随机森林基线（分别为74.2%和57.8%）。通过聚合多个晶带轴的预测结果，这些准确率分别提升至96.5%和79.5%。该模型在金纳米粒子的实验数据上也表现出稳健性能，生成的合理分类结果与已知的取向简并性一致。通过统一关系图推理与专用专家网络，本研究提出了一种稳健且自动化的高通量材料表征框架。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
Template Matching Approach for Automated Determination of Crystal Phase and Orientation of Grains in 4D-STEM Precession Electron Diffraction Data for Hafnium Zirconium Oxide Ferroelectric Thin Films基于4D-STEM预cession电子衍射数据的铪锆氧化物铁电薄膜中晶粒相和取向的自动化模板匹配方法
PREAI
分享收藏分享收藏Recent Advances in Machine Learning-Assisted Multiscale Design of Energy Materials机器学习辅助的能源材料多尺度设计研究进展OAAI
OAAI分享收藏Decoding crystallography from high-resolution electron imaging and diffraction datasets with deep learning.png)
SCIENCE ADVANCESOAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏Versatile domain mapping of scanning electron nanobeam diffraction datasets utilising variational autoencoders利用变分自动编码器对扫描电子纳米束衍射数据集进行通用域映射OAAI
OAAI分享收藏Autonomous experimentation systems for materials development: A community perspectiveMATTEROAAI
MATTERIF17.5
OAAI分享收藏
查看更多内容