.png){kind=icon}
返回
Physics-guided deep learning strategy for 2D structure reconstruction from diffraction patterns
.png){kind=icon}
OA
AI
DOI：10.1038/s42005-025-02152-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
二维（2D）材料因其可调的电子和光学性质以及优异的力学性能而备受关注。从衍射图谱重建二维结构，无需先验假设或全面知识，这对异质堆叠和量子二维材料而言是具有挑战性的。在此，我们介绍了DD2D（衍射图谱深度重建二维结构），一种基于物理指导的深度学习方法，可直接从衍射图谱预测二维结构。DD2D采用双塔框架，整合了晶体几何编码器和位点纹理编码器，并使用自注意力机制来识别物理信息内在关联及其在衍射图谱中的对应区域。结果表明，该方法具有高抗干扰性、稳健的识别能力、可靠的解释性，预测准确率高达99.0%，凸显了其在未来二维材料发现中的潜力。
Keyword:
PHASE
期刊
IF:
5.8
论文数:
2.8K
被引数:
9.2K
机构
引用论文
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Characterization of emerging 2D materials after chemical functionalization化学功能化后新兴2D材料的表征.png)
CHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏分享收藏Advanced atomic force microscopies and their applications in two-dimensional materials: a review先进的原子力显微镜及其在二维材料中的应用: 综述MATERIALS FUTURESOAAI
MATERIALS FUTURESIF10.8
OAAI分享收藏分享收藏分享收藏
查看更多内容