Onderzoekers hebben een nieuw framework ontwikkeld dat gebruikmaakt van machine learning om de complexe atomaire structuur van materialen nauwkeuriger en sneller af te leiden uit poeder-röntgendiffractiegegevens.
Het bepalen van de exacte posities van atomen in een kristal op basis van poeder-röntgendiffractie (PXRD) is van oudsher een moeizaam proces. Volgens een recent wetenschappelijk rapport op arxiv.org wordt dit veroorzaakt door verschillende technische hindernissen, waaronder het overlappen van pieken in de data, experimentele ruis en het feit dat lichte elementen zwak strooien. Daarnaast is er vaak onvoldoende contrast in strooiing tussen elementen die een vergelijkbaar atoomnummer hebben, waardoor het wiskundige probleem om de structuur te reconstrueren vaak onbepaald blijft.
De introductie van XCAPE
Om deze uitdagingen aan te pakken, hebben Yunsung Lim, Seungwoo Hwang en Seungwu Han het systeem XCAPE ontwikkeld. De volledige naam van dit framework is de XRD-Constrained Accelerated Prediction Engine. Volgens de publicatie op combineert XCAPE experimentele gegevens — zoals de chemische samenstelling, parameters van de eenheidscel, de ruimtelijke groep en de PXRD-data — in een evolutionair zoekproces dat rekening houdt met symmetrie.
Het systeem werkt door verschillende configuraties van Wyckoff-posities te verkennen via specifieke mutatie-operaties. De kwaliteit van de voorgestelde kristalstructuren wordt vervolgens getoetst aan twee criteria: de energetische stabiliteit van het materiaal en de mate waarin de voorspelde diffractie overeenkomt met de werkelijke experimentele waarnemingen. Om dit proces te versnellen, maakt XCAPE gebruik van een universeel machine-learning interatomair potentieel (MLIP), wat de optimalisatie van de geometrie aanzienlijk versnelt in vergelijking met traditionele methoden.
Resultaten en validatie
De effectiviteit van het nieuwe framework is getest aan de hand van zowel gesimuleerde als experimentele gegevens. Uit de resultaten die zijn gedeeld via blijkt dat XCAPE in staat was om 71 van de 77 benchmarkstructuren uit een database correct te herstellen op basis van gesimuleerde PXRD-patronen, wat neerkomt op een succespercentage van 92,2%. Nog indrukwekkender is dat het systeem alle 12 referentiestructuren uit werkelijke experimentele PXRD-patronen correct kon identificeren.
Een van de meest significante bevindingen van het onderzoek is de ontdekking van nieuwe structuren. XCAPE identificeerde 12 kandidaatstructuren die consistent waren met experimentele PXRD-patronen, maar die niet voorkwamen in de Inorganic Crystal Structure Database (ICSD). Deze kandidaten bleken thermodynamisch concurrerend op het niveau van het MLIP. Om deze resultaten verder te valideren, zijn berekeningen uitgevoerd met Density Functional Theory (DFT). Deze analyses toonden aan dat 10 van deze 12 nieuwe kandidaten zich binnen 10 meV/atoom van de zogenaamde 'convex hull' bevinden, wat wijst op een hoge mate van stabiliteit.
Impact op materiaalkunde
De integratie van experimentele diffractiegegevens met fysiek plausibele atomaire modellen biedt nieuwe mogelijkheden voor de materiaalkunde. Volgens de auteurs van het artikel op kan XCAPE structurele inzichten verschaffen in materialen die tot nu toe onopgelost bleven. Dit kan leiden tot een versnelling van de ontdekking van nieuwe materialen, vooral wanneer het framework wordt geïntegreerd in geautomatiseerde onderzoeksworkflows.
Door de kloof tussen ruwe experimentele data en theoretische modellen te overbruggen, stelt XCAPE wetenschappers in staat om sneller te begrijpen hoe atomen in een onbekend materiaal zijn georganiseerd, wat essentieel is voor het optimaliseren van de eigenschappen van nieuwe technologieën en chemicaliën.