正文
研究亮点：
* 该成果破解了长期困扰材料科学界的纳米晶体结构解析难题，并提供了一款高效的人工智能解析工具，有望推动纳米技术、生物医学、能源存储、电子器件等多领域的创新应用。
* 该方法显著突破了传统方法的适用边界，并在多个案例中获得接近真实结构的候选解。
* 研究提出了 MP-20-PXRD 基准数据集（包含 Materials Project 中 20 个原子以内的稳定材料及其模拟衍射数据），并公开了代码和数据集，为后续研究提供了统一标准。
论文地址：
https://go.hyper.ai/r1K6b
Materials Project 在线材料数据库：
https://go.hyper.ai/2gCe9
数据集：提出 MP-20-PXRD 基准数据集
为了得到有效的模型，研究人员提供了一个名为 MP-20-PXRD 的基准数据集，用来对 PXRDnet 进行以端到端的训练。
具体来说，研究人员采用了 Materials Project 的 MP-20 数据集，
该数据集由从 Materials Project 数据库中采样的材料组成，其晶胞内原子数量最多为 20 个。
然后研究人员采用 pymatgen package 模拟 MP-20 中所有结构的粉末衍射图。
Materials Project 在线材料数据库：
https://go.hyper.ai/2gCe9
模拟采用了 Cu Kα 辐射，且 Q 值范围为 0-8.1568 Å⁻¹。
MP-20-PXRD 数据集包含 45,229 种材料，按照 90%、7.5%、2.5% 的比例用以训练、验证和测试。值得一提的是，MP-20-PXRD 数据集已被开源，研究人员希望以此激励「后来者」进一步探索纳米晶体结构解析新方案。
模型架构：基于 CDVAE 打造，引入 PXRD 回归器
PXRDnet 模型基于 CDVAE 架构设计，
主要包含 3 个主要分支，即原子去噪声分支、变分自编码器（variational autoencoder, VAE）分支和 PXRD 回归器
，它们通过共享的高斯潜在码相连接。该方法使得 PXRDnet 能够在给定 PXRD 模式和化学式的情况下，准确生成符合要求的材料结构候选，为纳米材料结构解析提供了新见解。
PXRDnet 训练过程
基于 CDVAE 的骨架开发
介绍 PXRDnet，就不得不提到 CDVAE 模型，这是前者创建的基础。
CDVAE 是一种材料结构生成模型
，其灵感来自于变分自编码器和去噪扩散网络，是一种学习从噪声中解压缩数据的生成模型。
为了理解 VAE 和扩散组件的分解，研究人员认识到材料的晶胞可以用 4 个组件来表示，即化学成分、原子数、晶格参数和原子坐标。
CDVAE 的第一个分支使用 VAE 处理前三个组件
，编码器为 DimeNet —— 一种 SE(3)- 不变图神经网络（SE (3)-invariant Graph Neural Network），它可以将材料的图表示映射为潜在表示 z。图表示被修改为有向多重图，以体现材料固有的周期性。然后研究人员通过 kullback-Leibler 散度损失，潜在表示 z 被正则化为多元高斯分布，接着从 z 解码出化学成分、原子数和晶格参数。
每个预测都由一个单独的晶体参数多层感知器（MLP）生成，该感知器接收潜在编码 z。
z 将在随后模型的所有其他分支中用作材料表示。
CDVAE 的第二个分支通过噪声条件评分网络（noise-conditioned score network）利用去噪扩散来处理组件。
它假设组件原子数和晶格参数是固定的，正向过程用多元高斯噪声扰动原子坐标和原子种类；反向过程用 GemNet 参数化，这是一种 SE(3)- 等变图神经网络 （equivariant graph neural network）。该过程以上述潜在编码 z 为条件，这是其正常工作的基础。
值得一提的是，
