CuXASNet：基于机器学习的铜L边X射线吸收光谱快速准确预测
材料科学
2024-12-05 v1
摘要
本 work 开发了CuXASNet，一个密集神经网络，用于从原子结构预测模拟的Cu L边X射线吸收光谱（XAS）。对Cu局部环境进行特征提取使用了M3GNet的一个组成部分，这是为预测势能面开发的图神经网络。CuXASNet在FEFF9处于多路散射理论水平上的模拟光谱上进行训练，能够对Cu位点预测L3和L2边并达到定量精度。为验证我们的方法，将从文献中提取的14个实验光谱与CuXASNet的预测进行比较。CuXASNet与实验的吻合度通过平均MAE为0.125和平均斯佩尔曼相关系数为0.891，与FEFF9相应指标（0.131和0.898）相当。因此，CuXASNet能够以与FEFF9相同精度快速生成大量L边XAS光谱。这可用于作为多个散射代码的即插即用替换，用于快速筛选测量系统的候选原子结构模型。该模型建立了Cu XAS预测的通用框架，可扩展到更高计算成本的理论水平以及其他过渡金属L边。
引用
@article{arxiv.2412.02916,
title = {CuXASNet: Rapid and Accurate Prediction of Copper L-edge X-Ray Absorption Spectra Using Machine Learning},
author = {Samuel P. Gleason and Matthew R. Carbone and Deyu Lu and Jim Ciston},
journal= {arXiv preprint arXiv:2412.02916},
year = {2024}
}