ED-CSP: l'IA prevede strutture cristalline dalla diffrazione elettronica
È stato introdotto un nuovo framework di apprendimento automatico chiamato ED-CSP per prevedere strutture cristalline 3D periodiche utilizzando dati di diffrazione elettronica (ED) sparsi e non indicizzati. Questo approccio innovativo, descritto in un articolo arXiv (2608.06448), affronta un problema generativo inverso impegnativo nella scienza dei materiali. Invece di fare affidamento su etichette cristallografiche o riflessioni indicizzate, ED-CSP prevede strutture cristalline considerando la composizione chimica, il numero di atomi e vari set di spot ED. Impiega un codificatore di set relazionale e un generatore di flusso periodico per stimare i parametri del reticolo e le coordinate atomiche. I ricercatori hanno anche sviluppato il dataset ED-CS con 4,85 milioni di strutture ED multi-vista simulate, garantendo nessuna sovrapposizione con CHILI-100K. In particolare, l'addestramento su 2.075 materiali da CHILI-100K dimostra la sua promessa nel migliorare la determinazione della struttura cristallina.
Fatti principali
- ED-CSP è un framework di apprendimento automatico per la previsione della struttura cristallina dalla diffrazione elettronica.
- Prevede strutture dalla composizione chimica, dal numero di atomi e da set di spot ED su più piani del rivelatore.
- Il framework utilizza un codificatore di set relazionale, aggregazione multi-vista invariante alla permutazione e un generatore di flusso periodico.
- Il dataset di addestramento ED-CS contiene 4,85 milioni di strutture cristalline ED multi-vista simulate.
- Il dataset è stato deduplicato su sette repository di materiali e filtrato per escludere sovrapposizioni con CHILI-100K.
- Il modello è stato testato su 2.075 materiali CHILI-100K tenuti da parte.
- L'articolo è disponibile su arXiv con ID 2608.06448.
- Il tipo di annuncio è cross.
Entità
Istituzioni
- arXiv