卷积神经网络以协助评估X射线粉末衍射的格子参数

科学领域:

• 晶体学和材料科学 材料科学
• 计算化学和机器学习

背景情况:

• 准确确定格子参数对于理解和预测材料特性至关重要.
• 传统的格子参数估计方法可能是耗时和计算密集的.

研究的目的:

• 开发和评估卷积神经网络 (CNN) 用于在有机化合物中自动估计晶格参数.
• 研究将原子组成数据纳入CNN模型以提高准确性的影响.

主要方法:

• 在92,085个有机化合物的大型数据集上训练了两个CNN架构 (XRD-CNN和XRDElem-CNN).
• 为训练和测试生成模拟的X射线衍射 (XRD) 模式.
• 作为输入,XRDElem-CNN使用了衍射模式和单元细胞原子的二进制表示.

主要成果:

• XRD-CNN 实现了中等准确度 (MAPE:向量为 11.04%,角度为 7.40%,体积为 26.83%).
• XRDElem-CNN显示了显著提高的准确性 (MAPE:向量为4.73%,角度为6.49%,体积为6.05%).
• 使用真实XRD数据和Lp搜索方法验证了XRDElem-CNN性能.

结论:

• 采用原子信息的CNN,特别是XRDElem-CNN,为格子参数估计提供了强大而高效的方法.
• 这种方法对高通量材料的发现和表征有很大的前景.
• 拟议的原子表示对CNN评估具有计算效率.