Для идентификации симметрии и прогнозирования свойств на основе машинного обучения достаточно картины порошковой рентгеновской дифракции

Представлены результаты идентификации симметрии, прогнозирования свойств и построения низкоразмерного эмбеддинга на основе данных порошковой рентгеновской дифракции (XRD) для записей из Inorganic Crystal Structure Database (ICSD) и Materials Project (MP). Для этого использованы полностью сверточная нейронная сеть (FCN), трансформерный энкодер (T-encoder) и вариационный автоэнкодер (VAE). Полученные результаты сопоставлены с результатами хорошо зарекомендовавшей себя сверточной нейронной сети на графах кристаллов (CGCNN). Небольшой датасет, ориентированный на конкретную задачу и узкую систему материалов, извлечение дескрипторов на основе знаний (правил), а также значительное снижение размерности данных не являются основными направлениями данного исследования. Обычные картины порошковой рентгеновской дифракции, широко используемые в материаловедении, могут служить весьма информативными дескрипторами материалов для глубокого обучения. В задаче классификации симметрии как FCN, так и T-encoder превосходят CGCNN. При прогнозировании свойств производительность FCN в сочетании с многослойным перцептроном достигает уровня CGCNN. Прогнозирование свойств материалов на основе машинного обучения по картинам порошковой рентгеновской дифракции заслуживает внимания, поскольку, несмотря на широкое применение XRD для прогнозирования симметрии (и параметров решетки) и идентификации фаз, подобные попытки ранее не предпринимались. С помощью VAE данные ICSD и MP отображаются в двумерном (или трехмерном) латентном пространстве, где наблюдается четкое разделение кластеров в соответствии с симметрией и свойствами.