通过晶体图神经网络与迁移学习策略实现 XANES 的通用与实验校准预测
材料科学
2026-01-15 v2
摘要
理论模拟对解释包含丰富原子和电子结构信息的材料 X射线吸收近边结构 (XANES) 光谱有助于准确解释。然而，当前模拟方法在需要分析大量数据时（如电池材料的原位表征）往往不够复杂难以提供所需精度和及时性。为此，已develop出人工智能 (AI) 模型用于 XANES 预测。然而，这些模型是使用模拟数据训练的，而非实际实验数据，导致预测结果与实验光谱存在显著差异。此外，这些模型在不同元素间的普适性尚未得到充分研究。本文首先建立一个覆盖48种元素的晶体图神经网络，基于模拟 XANES 数据进行预训练，以实现低平均相对平方误差为0.020223的通用 XANES 预测；随后利用小规模实验 XANES 数据集进行迁移学习校准。校准后，预测的 S、Ti 和 Fe K 边 XANES 的边能错位误差约降低80%。本文所示方法为实现快速、通用且经实验校准的 XANES 预测开辟了新路径。
引用
@article{arxiv.2512.23449,
title = {Universal and Experiment-calibrated Prediction of XANES through Crystal Graph Neural Network and Transfer Learning Strategy},
author = {Zichang Lin and Wenjie Chen and Yitao Lin and Xinxin Zhang and Yuegang Zhang},
journal= {arXiv preprint arXiv:2512.23449},
year = {2026}
}