基于监督机器学习从X射线吸收谱分类局域化学环境
材料科学
2019-03-27 v2
摘要
X射线吸收谱是一种用于材料表征的首要元素特异性技术。具体而言，X射线吸收近边结构（XANES）编码了吸收原子的局域化学环境的重要信息，包括配位数、对称性和氧化态。解读XANES谱是理解材料结构与电子性质的关键步骤，因此，从XANES谱中提取结构与电子描述符类似于求解一个具有挑战性的反问题。现有方法依赖经验指纹，往往定性或半定量且不可迁移。在本文中，我们提出一种基于机器学习的方法，能够从模拟的K边XANES谱中对吸收原子的局域配位环境进行分类。机器学习分类器可在宽泛能量范围内无人为偏置地学习重要谱特征，且一旦训练完成即可即时预测。该机器学习方法的鲁棒性与保真度通过在八个3d过渡金属族氧化物的宽广化学空间中平均86%的准确率得到证明。我们发现预边区域之外的谱特征在局域结构分类问题中起重要作用，尤其对于后3d过渡金属元素。
引用
@article{arxiv.1901.00788,
title = {Classification of Local Chemical Environments from X-ray Absorption Spectra using Supervised Machine Learning},
author = {Matthew R. Carbone and Shinjae Yoo and Mehmet Topsakal and Deyu Lu},
journal= {arXiv preprint arXiv:1901.00788},
year = {2019}
}
备注
12 numbered pages and 6 figures