基于机器学习的XANES分析用于预测无形亚氧化物中的局部结构和价值

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学的计算化学
• 机器学习 机器学习

背景情况:

• 子氧化 (SiO_x) 根据其成分表现出可调节的特性,使其在工业上具有重要意义.
• 准确地将SiO_x的原子结构与其属性的相关性与传统方法具有挑战性.
• 了解SiO需要对其电子价值和局部原子结构进行定量分析.

研究的目的:

• 开发一种机器学习模型,用于从X射线吸收近边缘结构 (XANES) 光谱中预测原子价值状态和Si-O辐射分布函数.
• 建立一个强大的和实验上可行的框架来表征无形子材料.

主要方法:

• 使用分子动力学模拟生成了九个无形SiO_x网络.
• 使用第一原则计算计算了Si K边缘XANES光谱.
• 在生成的XANES光谱数据集上训练了一个深度神经网络.

主要成果:

• 深度神经网络模型准确地预测了来自XANES光谱的局部价值状态和Si-O辐射分布函数.
• 特定的光谱区域被确定为对价值状态 (边缘附近) 和结构 (更高能量) 预测至关重要.
• 该模型表现出强性,在组合平均光谱上保持高性能.

结论:

• 开发的机器学习方法可以从XANES无形材料的光谱中直接提取电子和结构信息.
• 这种方法克服了分析复杂,多价值无形系统的重大瓶.
• 该框架通过定量表征组成-结构-属性关系,促进了基于SiO_{x的功能材料的加速开发.}