Предсказание симметрии и выявление знаний по рентгеновским дифракционным картинам с использованием интерпретируемого подхода машинного обучения

Определение кристаллической системы и пространственной группы на начальных этапах анализа кристаллической структуры является узким местом рабочего процесса в материаловедении и часто требует ручной настройки. В настоящей работе мы предлагаем подход на основе машинного обучения (ML) для классификации кристаллических систем и пространственных групп по порошковым рентгеновским дифракционным картинам (XRD), используя смоделированные картины в качестве подтверждения концепции. Наша модель машинного обучения на основе ансамбля деревьев обеспечивает точность, близкую к 90% или превышающую 90%, при классификации кристаллических систем, за исключением триклинных случаев, и точность 88% при классификации пространственных групп среди пяти кандидатов. Нам также удалось количественно оценить эмпирические знания, которыми специалисты располагают лишь в неявной форме, продемонстрировав возможность выявления с помощью интерпретируемого подхода машинного обучения нераспознанных характеристик, заложенных в экспериментальных данных, на основе анализа данных.