X-ray diffraction
PulseAugur coverage of X-ray diffraction — every cluster mentioning X-ray diffraction across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Periodic Labs 构建用于物理世界实验的人工智能科学家
Periodic Labs 正在通过开发能够进行物理实验的自主实验室，开创人工智能的新领域。他们的“合成超智能”愿景旨在通过允许人工智能模型从整个科学探究过程中学习，包括现实世界的实验甚至失败的结果，来加速科学发现。这种方法与传统的AI开发形成对比，后者通常仅依赖于海量现有信息数据集。
-
纯文本的持久价值与 Rosalind Franklin 的 DNA 发现
该集群包含两篇不相关的文章，一篇讨论纯文本技术的持久价值，另一篇探讨 Rosalind Franklin 对 DNA 结构发现的贡献。第一篇文章在 Mastodon 上分享，论证了纯文本在数字时代的相关性。第二篇文章也在 Mastodon 上分享，澄清了 Rosalind Franklin 在获得揭示 DNA 螺旋结构的 X 射线衍射图像中的关键作用，纠正了历史叙述。
-
新型自学习代理简化X射线衍射分析
研究人员开发了“甘将”（Gan Jiang），一个专为粉末X射线衍射分析设计的自学习科学代理。该代理利用XMatcher、XQueryer、XDecomposer和WPEM等集成工具生态系统，执行物相识别、分解和物理约束全谱拟合建模。甘将通过诊断故障、修改指令和验证更改来提高其分析能力，而无需重新训练核心语言模型，在各种基准测试中表现出高精度。
-
大语言模型智能体驱动自主材料合成与假设生成
研究人员开发了一种名为SynAgent的新型框架，该框架利用大语言模型智能体自主进行材料合成实验。与专注于优化样品的传统方法不同，SynAgent优先生成对合成过程的明确、不断演进的理解。该系统能够为新数据自适应地创建分析技能，并对X射线衍射图等实验输出进行多模态推理。在涉及钴酸锂薄膜沉积的测试案例中，SynAgent成功合成了高结晶度薄膜，并确定了最佳生长所需的关键温度阈值。
-
AI模型从X射线衍射数据中推断材料微观结构
研究人员开发了一种新颖的跨模态学习框架，可以直接从X射线衍射数据中推断3D位错微观结构。该方法使用对比学习将位错密度场及其对应的虚拟X射线衍射图样的表示嵌入到共享的潜在空间中。研究发现，随着数据集大小的增加，模型性能显著提高，在大约500个代表性观测值时接近饱和。该方法为学习结构-衍射关系以及从未知衍射数据中准确预测位错密度场提供了一种有效途径。
-
新的SPEAR框架增强了材料科学中AI的可解释性
研究人员开发了一个名为SPEAR（结构-性质可解释性与注意力正则化）的新框架，以提高材料科学中使用的机器学习模型的可解释性。该框架通过在训练期间约束注意力机制来解决当前模型的局限性，以确保稳定、选择性和物理上有意义的归因模式。SPEAR已证明其在合成和实验X射线衍射数据中产生准确预测的能力，同时突出相关的物理特征，从而为材料性质带来新的见解。
-
扩散模型从X射线衍射数据预测晶体结构
研究人员开发了XRDiff，这是一种能够从粉末X射线衍射（PXRD）数据预测晶体结构的新型扩散模型。该模型可以根据已知的化学计量比或更具挑战性的元素组成和晶胞原子数来推断结构。XRDiff通过基于峰值的编码在区分多晶型物方面表现出强大的性能，该编码对噪声和伪影具有鲁棒性，并有望推广到实验数据。
-
深度学习革新晶体结构预测与分析
研究人员开发了新的深度学习方法用于晶体结构预测和分析。其中一种方法 CrystalX 使用深度学习自动化常规的 X 射线衍射分析，其性能优于现有的自动化方法，甚至能识别同行评审出版物中的错误。另一种方法采用图神经网络进行组合优化，通过高效地分配原子来预测晶体结构，在与商业求解器的竞争中表现出竞争力。
-
机器学习势难以预测二氧化硅玻璃结构
研究人员调查了机器学习势在准确预测二氧化硅玻璃中程有序性方面的局限性。利用中子和X射线衍射以及分子动力学，他们发现即使是包含长程相互作用的模型，在玻璃化后也难以复制实验上的非晶结构。短程和长程模型都表现出过度的有序和受限的网络柔性，这表明当前的方法对于无序二氧化硅的预测建模是必要的但不足够的。