【摘要】 尽管如此,最近有越来越多的dl驱动的一维粉末XRD分析研究用于相识别(脱混),对称分类,无监督聚类和XRD生成等。

近年来,人工智能在材料研究领域崭露头角。特别是,人们特别关注在各种特定材料体系中实现的深度学习(DL)驱动的x射线衍射(XRD)分析[1]。当然,这些dl驱动的XRD方法实际上是受到先前一些成功的基于机器学习(ML)的XRD分析的启发。基于此,数据驱动(dl驱动)的XRD分析方法应该与传统的基于知识的、依赖专业知识的XRD分析一样受到重视。

 

在过去的几十年里,随着高通量实验和计算的发展,基于dl的XRD方法变得更加有利。基于dl的XRD方法的快速、多功能性和卓越性促进了新材料的发现。DL方法特别关注无机材料的1D粉末XRD模式,因为它在材料科学社会中很受欢迎和熟悉,尽管一些2D (x射线或电子)衍射模式的DL方法也取得了成功。

 

众所周知,一维粉末XRD图谱不能提供足够的结构信息,因为与生俱来的三维电子密度会大量收缩到一维图谱中,导致相当大的峰重叠并发症,在数据过度收缩的过程中不可避免地会产生一定程度的信息损失。这种1D XRD缺陷仍然适用于基于dl的XRD分析案例。

 

尽管如此,最近有越来越多的dl驱动的一维粉末XRD分析研究用于相识别(脱混),对称分类,无监督聚类和XRD生成等。几乎所有先前报道的用于XRD分析的DL模型都对其特定的材料体系表现出出色的性能。

 

除了这些成功的深度学习模型仅限于特定的、窄范围的材料系统之外,区分适用于所有无机材料的可推广方法是值得的。对无机晶体结构数据库(ICSD)中的所有条目进行dl驱动的XRD分析在确保通用性的同时更受关注。

 

[1] Lee, B.D., Lee, J.W., Ahn, J., Kim, S., Park, W.B., Sohn, K.S., 2023. A Deep Learning Approach to Powder X-Ray Diffraction Pattern Analysis: Addressing Generalizability and Perturbation Issues Simultaneously. Advanced Intelligent Systems.

 

科学指南针通过互联网技术建立更可靠的服务标准,全国拥有31个办事处,20个自营实验室,最好的设备、最专业的老师为您服务。

 

免责声明:部分文章整合自网络,因内容庞杂无法联系到全部作者,如有侵权,请联系删除,我们会在第一时间予以答复,万分感谢。