跨越元素周期表的谱到结构与结构到谱推断
机器学习
2025-08-27 v2 人工智能
摘要
X射线吸收光谱（XAS）是一种探测局部原子环境的强大技术，但其解释仍受限于专家驱动分析、计算昂贵的模拟以及元素特异性启发式方法。近期机器学习进展显示出加速XAS解释的潜力，但许多现有模型仅聚焦于特定元素、边类型或光谱范围。在本工作中，我们提出了XAStruct，一个能够既从晶体结构预测XAS光谱、又从XAS输入推断局部结构描述符的学习系统。XAStruct在覆盖元素周期表70多种元素的大规模数据集上训练，使其能够泛化到多种化学键合环境。该框架包括首个从XAS光谱直接预测邻近原子类型的机器学习方法，以及一个无需元素特异性调优的通用最近邻平均距离回归模型。通过将深度神经网络用于复杂结构-性质映射与简单任务的高效基线模型相结合，XAStruct为数据驱动的XAS分析和局部结构推断提供了可扩展且可扩展的解决方案。源代码将在论文接收后发布。
引用
@article{arxiv.2506.11908,
title = {Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table},
author = {Yufeng Wang and Peiyao Wang and Lu Wei and Lu Ma and Yuewei Lin and Qun Liu and Haibin Ling},
journal= {arXiv preprint arXiv:2506.11908},
year = {2025}
}