MLstructureMining:一种机器学习工具,用于从X射线对分布函数的结构识别
Emil T S Kjær1, Andy S Anker1, Andrea Kirsch1
1Department of Chemistry and Nano-Science Center, University of Copenhagen 2100 Copenhagen Ø Denmark kirsten@chem.ku.dk.
概括
像MLstructureMining这样的机器学习模型可以从同步X射线数据中快速识别原子结构. 这通过快速分析大型数据集来加速材料科学研究,使材料开发速度更快.
科学领域:
- 材料科学 材料科学 材料科学
- 晶体学 晶体学是指结晶学.
- 机器学习 机器学习
背景情况:
- 同步射线X射线技术产生了大量的数据 (高达1 petabyte/day),这给存储和分析带来了重大挑战.
- 了解材料的合成,结构和特性之间的关系对于进步至关重要.
- 对结晶学数据的有效分析对于加速材料开发至关重要.
研究的目的:
- 开发一种机器学习方法,从对分布函数 (PDF) 数据中快速识别原子结构模型.
- 在模拟和实验晶体学数据上证明MLstructureMining模型的有效性.
- 将MLstructureMining与现有分析实地实验数据的方法集成在一起.
主要方法:
- 开发和培训一个基于树的机器学习分类器,MLstructureMining.
- 使用对分布函数 (PDF) 数据对化学结构的分类.
- 应用MLstructureMining的模拟PDF,实验纳米粒子PDF (CoFe2O4,CeO2) 和现场PDF系列 (Bi2Fe4O9) 的应用.
- 与主要组件分析 (PCA) 和非负矩阵分解 (NMF) 进行整合,用于现场数据分析.
主要成果:
- 在6062个未见的模拟PDF类上,MLstructureMining实现了99%的前三精度.
- 从纳米粒子的实验PDF中成功识别了化学结构.
- 在材料形成过程中分析现场PDF数据系列的证明实用性.
- 通过快速选晶体信息文件,实现实时结构特征.
结论:
- MLstructureMining提供了一个非常准确和高效的方法,用于从PDF数据中识别原子结构.
- 该模型显著减少了分析大型晶体数据集所需的时间和精力.
- MLstructureMining促进实时结构特征,加速材料的发现和开发.


