ИИ-модель ED-CSP предсказывает структуру кристаллов по электронной дифракции
Исследователи разработали ED-CSP — фреймворк машинного обучения, способный предсказывать кристаллические структуры по ограниченным данным электронной дифракции. В отличие от существующих методов, которые часто ограничиваются предсказанием меток, работой с индексированными отражениями или поиском по библиотекам, ED-CSP использует химический состав, число атомов и наборы дифракционных пятен с нескольких детекторных плоскостей.
Модель объединяет реляционный кодировщик, инвариантную к перестановкам агрегацию данных и периодический генератор потоков. Это позволяет совместно предсказывать параметры кристаллической решетки и дробные координаты атомов, решая сложную обратную задачу восстановления трехмерной структуры из разреженных наблюдений.
Для обучения исследователи создали датасет ED-CS, включающий 4,85 миллиона смоделированных мультивью кристаллических структур. Данные были дедуплицированы по семи материаловедческим репозиториям и отфильтрованы, чтобы исключить пересечение с набором CHILI-100K.
На 2075 материалах из CHILI-100K ED-CSP достигла точности 57,49% по метрике MR@5, превысив показатель PXRDGen — современного метода, основанного на порошковой рентгеновской дифракции, который показал 52,92%. Дальнейшее увеличение обучающей выборки улучшило результат: при инициализации от предобученной модели на миллионе структур точность выросла до 66,27%.
Важно, что модель работает и с новыми составами, отсутствовавшими в обучающей выборке. На 1024 таких композициях ED-CSP показала 53,52% MR@5, что подтверждает ее способность к генерации структур, а не просто к запоминанию формул.
Контрольный эксперимент показал, что замена целевых электроннограмм на дифракцию от неизоморфных структур того же состава снижает точность на 22,09 процентных пункта. Это подтверждает, что модель опирается на особенности дифракционной картины, а не только на химический состав.
ED-CSP и датасет ED-CS задают новый бенчмарк для генеративного предсказания кристаллических структур по разреженной электронной дифракции. Авторы отмечают, что разработка создает основу для будущего переноса метода на экспериментальные данные.
