OmniXAS：面向材料 X射线吸收谱的通用深度学习框架
材料科学
2025-04-16 v3 人工智能
机器学习
摘要
X射线吸收光谱(XAS)是一种强大的表征手段，用于探测吸收原子的局部化学环境。然而，分析XAS数据面临诸多挑战，常需进行大量计算密集型仿真，并需要相当的专业知识。这些限制阻碍了构建高效、稳健的XAS分析管道的发展，而这对于高通量研究及自主实验室至关重要。我们通过OmniXAS框架来应对这些挑战，该框架包含一套用于XAS预测的迁移学习方法，每个方法都有助于提升精度与效率。在覆盖8种3d过渡金属(Ti-Cu)的K边光谱数据库上，实验结果表明该框架取得显著效果。OmniXAS框架基于三种不同策略：第一，我们使用M3GNet从吸收位点的局部化学环境中提取潜在表示，用作XAS预测的输入，相较于传统特征提取技术实现了数量级的精度提升。第二，我们采用分层迁移学习策略，先在元素间训练通用多任务模型，再进行元素特定的微调。经元素级微调后的级联式模型相较于元素特定模型提升最高可达69%。第三，我们实施跨保真度迁移学习，将通用模型适配以预测由不同保真度仿真生成的光谱，这种方法相较于仅使用目标保真度训练的模型提升最高可达11%。本方法相较于第一性原理仿真将XAS建模吞吐量提升了数量级，并且可扩展至更广泛元素范围的XAS预测。该迁移学习框架可通用于提升面向材料研究中其他性质的深度学习模型。
引用
@article{arxiv.2409.19552,
title = {OmniXAS: A Universal Deep-Learning Framework for Materials X-ray Absorption Spectra},
author = {Shubha R. Kharel and Fanchen Meng and Xiaohui Qu and Matthew R. Carbone and Deyu Lu},
journal= {arXiv preprint arXiv:2409.19552},
year = {2025}
}
备注
Main manuscript: 23 pages, 14 figures. Supplemental material (13 pages, 6 figures) available as a separate file in arXiv ancillary files (additional downloadable files)