.png){kind=icon}
返回
Diffraction-Native Representation Learning for Automatic Symmetry Recognition and Structural Retrieval
.png){kind=icon}
PRE
AI
DOI：10.1002/adfm.75949.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
选区电子衍射（SAED）是局部晶体结构分析不可或缺的工具，但其解析仍是一个耗时瓶颈，尤其是在多种化合物具有相似晶体结构时。基于编码的传统方法难以处理复杂的衍射几何、缺失衍射斑和取向歧义问题，而现有的深度学习（DL）方法主要局限于单视图输入和固定分类类别，而非明确的晶体结构识别。本文提出了一种多视图卷积神经网络，具有任务特定的分支结构，将两个晶带轴的衍射信息融合到一个统一的衍射原生描述符中，以实现对称性推断和数据库规模的晶体结构识别。该方法在约10 000种材料上训练，并在Materials Project数据库中约2 000种未见材料上评估，在晶体系统分类中达到95.09%的准确率，在空间群预测中达到80.12%的准确率。在化学式约束下，该方法在约13 000种候选材料中进一步实现了93.9%的Top-1结构检索召回率。该模型在模拟沸石结构、捕获动态对称性演化的原位相变数据集以及实验获得的同质多晶型数据集上均表现出较强的鲁棒性。这种基于描述符的范式能够实现快速的原位分析（30～50秒），并输出可解释且与数据库兼容的结果，为自动化晶体结构分析和材料发现提供了可扩展的框架。
Keyword:
crystal structure identification
descriptor-based structure identification
multi-view branch convolutional neural network
selected area electron diffraction
transmission electron microscopy
期刊
IF:
19
论文数:
3.5W
被引数:
32.1W
机构
引用论文
分享收藏Single-Crystal Structure Determination of Nanosized Metal–Organic Frameworks by Three-Dimensional Electron Diffraction纳米尺寸金属有机框架的三维电子衍射单晶结构测定.png)
IF0
PREAI
分享收藏MULTEM: A new multislice program to perform accurate and fast electron diffraction and imaging simulations using Graphics Processing Units with CUDAMULTEM: 一种新的多层程序，可使用带有CUDA的图形处理单元执行准确，快速的电子衍射和成像模拟
PREAI
分享收藏Decoding crystallography from high-resolution electron imaging and diffraction datasets with deep learningSCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
查看更多内容