基于机器学习的价值到核心 X 射线发射光谱谱各向异性预测
强关联电子
2026-02-24 v2
摘要
X射线光谱中的偏振分析提供了对局部键合环境的取向相关灵敏度。对于一个原子簇，偏振灵敏度通常通过点群对称性来讨论。然而，这是一种离散的、定性的分类方法，对指示谱各向异性程度的作用有限。本文采用随机森林模型进行谱各向异性的定量预测。其输入依赖于从任何晶体结构文件中可获得的简化局部几何和化学信息。该模型在来自Materials Project的超过10,000个实验实现的过渡金属结构上进行训练，目标是使用基于实空间Green's函数代码FEFF计算的VtC-XES。我们发现，该模型能够强烈预测谱各向异性程度，主要因素来自簇中配体的空间矩。
引用
@article{arxiv.2602.00242,
title = {Machine Learning to Predict Spectral Anisotropy in Valence-to-Core X-ray Emission Spectroscopy},
author = {Charles A. Cardot and John R. Tichenor and Seth M. Shjandemaar and Josh J. Kas and Gerald T. Seidler and John J. Rehr},
journal= {arXiv preprint arXiv:2602.00242},
year = {2026}
}