Determinación de la estructura cristalina a partir de patrones de difracción de polvo con aprendizaje automático...

Área de la Ciencia:

• Ciencias de los materiales
• La cristalografía
• Aprendizaje automático

Sus antecedentes:

• La difracción de rayos X en polvo (PXRD) es crucial para la caracterización de materiales, pero la determinación completa de la estructura es desafiante y requiere mucho tiempo.
• Los métodos de aprendizaje automático (ML) existentes para el análisis de PXRD solo predicen información estructural parcial.

Objetivo del estudio:

• Desarrollar un modelo ML generativo pionero para la determinación completa de la estructura cristalina directamente a partir de los datos experimentales de PXRD.
• Para superar las limitaciones de los enfoques actuales de ML en el análisis de PXRD.

Principales métodos:

• Desarrolló un modelo generativo de aprendizaje automático capaz de analizar patrones PXRD.
• Valido el modelo en datos de difracción simulados y experimentales de bases de datos como RRUFF y Materials Project.
• Aplicó el modelo para determinar estructuras no reportadas previamente del archivo de difracción de polvo y materiales de alta presión recién sintetizados.

Principales resultados:

• El modelo ML logró un rendimiento de vanguardia en datos simulados y experimentales de PXRD.
• Predijo con éxito estructuras cristalinas para 134 patrones experimentales y miles de patrones simulados.
• Determinadas estructuras no declaradas para materiales que incluyen NaCu2P2, Ca2MnTeO6 y compuestos de alta presión como Rh3Bi.

Conclusiones:

• El modelo ML generativo desarrollado permite soluciones completas de la estructura cristalina a partir de datos PXRD.
• Este enfoque acelera significativamente el descubrimiento de materiales, especialmente para materiales nuevos y en condiciones que impiden el crecimiento de un solo cristal.
• El modelo está preparado para avanzar en las tuberías de descubrimiento de materiales automatizados y explorar nuevos dominios químicos.