XtalNet ist ein neuartiges End-to-End-Tiefenlernmodell, das in der Lage ist, Kristallstrukturen direkt aus Pulver-Röntgenbeugungsdaten (PXRD) vorherzusagen. Im Gegensatz zu früheren Methoden, die sich nur auf die chemische Zusammensetzung stützen, nutzt XtalNet PXRD als zusätzliche Bedingung, um die Mehrdeutigkeit zu beseitigen und die Erzeugung komplexer organischer Strukturen mit bis zu 400 Atomen in der Elementarzelle zu ermöglichen.
XtalNet besteht aus zwei Modulen: einem Contrastive PXRD-Crystal Pretraining (CPCP)-Modul, das den PXRD-Raum mit dem Kristallstrukturraum ausrichtet, und einem Conditional Crystal Structure Generation (CCSG)-Modul, das Kandidaten-Kristallstrukturen basierend auf PXRD-Mustern erzeugt. Die Bewertung auf zwei MOF-Datensätzen (hMOF-100 und hMOF-400) zeigt die Effektivität von XtalNet. XtalNet erreicht eine Top-10-Übereinstimmungsrate von 90,2% bzw. 79% für die hMOF-100- und hMOF-400-Datensätze in der bedingten Kristallstrukturvorhersageaufgabe.
XtalNet stellt einen bedeutenden Fortschritt in der Kristallstrukturvorhersage dar und ermöglicht die Vorhersage komplexer Strukturen aus PXRD-Daten ohne Rückgriff auf externe Datenbanken oder manuelle Eingriffe. Dies eröffnet neue Möglichkeiten für die automatisierte Kristallstrukturbestimmung und die beschleunigte Entdeckung neuartiger Materialien.
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies