通过机器学习融合多模态光谱学揭示局部结构
材料科学
2025-01-16 v1 化学物理
计算物理
数据分析、统计与概率
摘要
原子结构为材料功能提供了宝贵的洞察。确定这些结构是材料科学中的根本挑战，尤其是对于具有缺陷的系统。虽然存在实验和计算方法，但每种方法在解析纳米尺度结构方面都有局限。核心级光谱学，如 X 射线吸收 (XAS) 或电子能量损失光谱 (EELS)，已用于确定材料的局部键合环境和结构。最近，机器学习 (ML) 方法被应用于从 XAS/EELS 中提取结构和键合信息，但大多数框架依赖单一数据流，这往往不够。本文通过整合多模态初步仿真、实验数据获取和 ML 技术来解决这一挑战，用于结构表征。我们的目标是使用来自多个元素和边的 EELS 和 XAS 数据确定局部结构和属性。为展示我们的方法，我们使用各种锂镍锰钴 (NMC) 氧化物化合物，这些化合物用于锂离子电池，包括含氧空位和反位缺陷的材料。我们成功地推断出局部元素含量，从锂到过渡金属，与实验数据具有定量一致性。除了提高预测精度外，我们发现基于多模态光谱数据的 ML 模型能够确定是否存在局部缺陷，如氧空位和反位缺陷，而这类缺陷无法通过单一模式光谱或其他实验技术实现。此外，我们的框架能够提供物理可解释性，将光谱学与局部原子和电子结构相桥接。
引用
@article{arxiv.2501.08919,
title = {Revealing Local Structures through Machine-Learning- Fused Multimodal Spectroscopy},
author = {Haili Jia and Yiming Chen and Gi-Hyeok Lee and Jacob Smith and Miaofang Chi and Wanli Yang and Maria K. Y. Chan},
journal= {arXiv preprint arXiv:2501.08919},
year = {2025}
}