Forskere har udviklet en ny maskinlæringsramme, ED-CSP, der kan forudsige tredimensionelle krystalstrukturer ud fra kemisk sammensætning og elektrondiffraktionsdata. Metoden, beskrevet i en ny artikel på arXiv, overgår en eksisterende state-of-the-art model og kan få betydning for materialeforskning og -udvikling.
ED-CSP adresserer et grundlæggende problem: at rekonstruere en periodisk 3D-struktur fra sparsomme, uindekserede elektrondiffraktionsobservationer. Tidligere metoder har typisk forudsagt krystallografiske labels, rekonstrueret strukturer fra indekserede refleksioner eller hentet kandidater fra begrænsede strukturdatabaser. ED-CSP går videre ved at forudsige både gitterparametre og fraktionelle atomkoordinater direkte fra inputdata.
På 2.075 udvalgte materialer fra CHILI-100K-datasættet opnår ED-CSP en strukturel matchrate på 57,49 % (MR@5), hvilket overgår PXRDGen, en state-of-the-art model baseret på pulverrøntgendiffraktion, der ligger på 52,92 %. Når modellen initialiseres med en million strukturer, stiger ydeevnen til 66,27 % MR@5. Selv på 1.024 sammensætninger, der ikke findes i træningsdatabasen, opnår modellen 53,52 % MR@5, hvilket viser en generativ evne ud over simpel genfinding.
En vigtig kontroltest bekræfter, at modellen faktisk bruger diffraktionsdata: Når målingerne erstattes med diffraktion fra ikke-isomorfe strukturer med samme sammensætning, falder MR@5 med 22,09 procentpoint. Det viser, at forudsigelserne afhænger af inputmønstrene og ikke kun af den kemiske sammensætning.
For beslutningstagere inden for materialedesign og -produktion betyder det, at man kan få hurtigere og mere præcise forudsigelser af krystalstrukturer, hvilket kan accelerere udviklingen af nye materialer til fx batterier, katalysatorer eller elektronik. Metoden er dog stadig baseret på simulerede data, og forskerne peger selv på, at fremtidig overførsel til eksperimentelle data er et næste skridt.
