Классификация кристаллических симметрий по рентгеновским дифракционным картинам с использованием нейронной сети

Алгоритмы машинного обучения на основе искусственных нейронных сетей доказали свою высокую эффективность для решения широкого спектра задач классификации. В настоящей работе они применяются к хорошо известной задаче кристаллографии — классификации рентгеновских дифракционных картин (XRD) неорганических порошковых образцов по соответствующей кристаллической системе и пространственной группе. Более 10^5 теоретически рассчитанных порошковых рентгеновских дифракционных картин были получены из баз данных кристаллических структур неорганических соединений и использованы для обучения глубокой полносвязной нейронной сети. Для классификации пространственных групп точность на экспериментальных данных составляет около 54%. Наконец, предложена схема, в которой сеть может отказаться от классификации рентгеновских дифракционных картин, которые в противном случае были бы классифицированы с высокой неопределённостью. Это повышает точность на экспериментальных данных до 82%, однако половина экспериментальных данных остаётся неклассифицированной. Дальнейшее совершенствование архитектуры нейронных сетей и расширение доступности экспериментальных данных позволит рассматривать машинное обучение как перспективное дополнение к классической методологии определения структуры.