Анализ данных рентгеновской дифракции методами машинного обучения: обзор

Рентгеновская дифракция (XRD) является проверенным и мощным методом определения фазового состава, структуры и особенностей микроструктуры кристаллических материалов. За последнее десятилетие применение методов машинного обучения (ML) в исследованиях кристаллических материалов значительно расширилось. В настоящем обзоре представлен анализ научной литературы, посвящённой применению ML для анализа данных XRD. Публикации, соответствующие критериям включения в обзор, были выявлены с использованием поискового запроса «machine learning X-ray diffraction»; учитывались только англоязычные публикации, в которых ML непосредственно применялось для анализа данных XRD. Отобранные публикации охватывали широкий спектр приложений, включая классификацию XRD и идентификацию фаз, анализ параметров решётки и количественный фазовый анализ, обнаружение дефектов и замещающих элементов, а также характеристику микроструктуры материалов. Современные тенденции в этой области указывают на то, что будущие исследования, посвящённые применению методов ML для анализа данных XRD, будут направлены на устранение недостатков подходов ML, связанных с качеством и доступностью данных, интерпретируемостью результатов, а также обобщающей способностью и робастностью моделей. Кроме того, в будущих исследованиях, вероятно, будут шире использоваться предметные знания и физические ограничения, интеграция с методами квантовой физики, а также такие методы, как анализ данных в реальном времени и высокопроизводительный скрининг, для ускорения разработки новых материалов с заданными свойствами.