Diffusion Models Are Promising for Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data

材料科学的一个重要挑战是确定纳米级物体的结构。在这里，我们提出了一种新颖的方法，它使用基于扩散模型的生成式机器学习模型，该模型经过训练，使用45,229个已知结构。该模型同时考虑了测量到的衍射图案以及原子簇结构的晶胞相关的统计先验。仅基于化学式和信息稀少的有限尺寸粉末衍射图案，我们发现我们的模型PXRDnet可以成功解决模拟的纳米晶体，包括200种不同对称性和复杂性的材料，其中包括来自所有七个晶体系的结构，最小可达10埃。我们展示了我们的模型可以通过结构相关性测量达到高达81.5％的准确性来确定结构解决方案。此外，PXRDnet能够解决从真实实验中收集的嘈杂衍射图案的结构。我们建议，从理论模拟中引导数据驱动的方法最终将提供一条路径，以确定以前未解决的纳米材料的结构。

本论文旨在解决纳米材料结构的确定问题，提出了一种基于扩散模型的生成式机器学习模型 PXRDnet。该模型可以通过化学式和有限大小的X射线衍射图案成功解决大小仅为10埃的模拟纳米晶体的结构问题。

论文的关键思路是使用生成式机器学习模型 PXRDnet，结合扩散模型和统计先验知识，通过化学式和有限大小的X射线衍射图案，解决纳米材料结构的确定问题。

论文使用了45,229个已知结构进行训练，并且可以成功解决来自不同晶体系统的200种材料的结构问题。实验结果表明，PXRDnet可以以81.5%的准确率确定结构解决方案，并且可以解决来自真实实验的噪声衍射图案的结构问题。此外，PXRDnet的数据驱动方法为解决以前未解决的纳米材料结构问题提供了一条途径。

在最近的相关研究中，还有一些基于机器学习的方法被提出，例如使用卷积神经网络解决晶体结构问题的论文《Crystal Structure Identification Using Convolutional Neural Networks》。