X-ray diffraction
PulseAugur coverage of X-ray diffraction — every cluster mentioning X-ray diffraction across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。