End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction

Powder X-ray diffraction (PXRD) 是晶体结构测定的重要手段。这种测定通常涉及到外部数据库匹配以找到结构类似物和 Rietveld 修正以获得更精细的结构。然而，数据库可能不完整，而 Rietveld 修正通常需要经过训练有素的实验人员进行大量的试错，这在实践中仍然不够有效。为了解决这些问题，我们提出了 XtalNet，这是第一个能够从头开始生成晶体结构的基于深度学习的框架，能够准确地匹配给定的 PXRD 模式。该模型采用对比学习和基于扩散的条件生成，以实现两个任务的同时执行：基于 PXRD 模式的晶体结构检索和条件结构生成。为了验证 XtalNet 的有效性，我们策划了一个更具挑战性和实用性的数据集 hMOF-100，在这个数据集上，XtalNet 表现良好，在数据库检索任务上达到了96.3\%的前十名命中率，在排名结构生成任务上达到了95.0\%的前十名匹配率。

XtalNet试图解决PXRD结构确定中数据库不完整且Rietveld refinement需要大量试错的问题。它提出了一种基于深度学习的框架，可以从头开始生成与给定PXRD模式准确匹配的晶体结构。

XtalNet采用对比学习和基于扩散的条件生成，实现了两个任务的同时执行：基于PXRD模式的晶体结构检索和条件结构生成。这是一个全新的思路，相比于当前领域的研究有很大的创新性。

论文使用了一个更具挑战性和实用性的数据集hMOF-100进行验证，取得了很好的效果。在数据库检索任务中，top-10命中率达到了96.3％，在排序结构生成任务中，top-10匹配率达到了95.0％。值得关注的是，XtalNet是第一个能够从头开始生成晶体结构的深度学习框架。

最近的相关研究包括使用机器学习进行晶体结构预测和材料发现的工作，如CrystalGAN和MatErials Graph Network（MEGNet）。