論文の概要: Machine Learning-Driven Crystal System Prediction for Perovskites Using Augmented X-ray Diffraction Data

• arxiv url: http://arxiv.org/abs/2602.04435v1
• Date: Wed, 04 Feb 2026 11:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.494206
• Title: Machine Learning-Driven Crystal System Prediction for Perovskites Using Augmented X-ray Diffraction Data
• Title（参考訳）: 拡張X線回折データを用いたペロブスカイトの機械学習による結晶系予測
• Authors: Ansu Mathew, Ahmer A. B. Baloch, Alamin Yakasai, Hemant Mittal, Vivian Alberts, Jayakumar V. Karunamurthy,
• Abstract要約: X線回折(XRD)スペクトルによる結晶系の予測は材料科学における重要な課題である。 本研究では,高度なモデルを活用する機械学習(ML)駆動のフレームワークを提案する。 このモデルは、立方晶系、点群3mとm-3m、空間群PnmaとPnnnを含む対称性クラスに対して高い性能を示した。
• 参考スコア（独自算出の注目度）: 0.10262304700896197
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prediction of crystal system from X-ray diffraction (XRD) spectra is a critical task in materials science, particularly for perovskite materials which are known for their diverse applications in photovoltaics, optoelectronics, and catalysis. In this study, we present a machine learning (ML)-driven framework that leverages advanced models, including Time Series Forest (TSF), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and a simple feedforward neural network (NN), to classify crystal systems, point groups, and space groups from XRD data of perovskite materials. To address class imbalance and enhance model robustness, we integrated feature augmentation strategies such as Synthetic Minority Over-sampling Technique (SMOTE), class weighting, jittering, and spectrum shifting, along with efficient data preprocessing pipelines. The TSF model with SMOTE augmentation achieved strong performance for crystal system prediction, with a Matthews correlation coefficient (MCC) of 0.9, an F1 score of 0.92, and an accuracy of 97.76%. For point and space group prediction, balanced accuracies above 95% were obtained. The model demonstrated high performance for symmetry-distinct classes, including cubic crystal systems, point groups 3m and m-3m, and space groups Pnma and Pnnn. This work highlights the potential of ML for XRD-based structural characterization and accelerated discovery of perovskite materials
• Abstract（参考訳）: X線回折(XRD)スペクトルからの結晶系の予測は、材料科学、特に光電気学、光電子学、触媒学における様々な応用で知られているペロブスカイト材料にとって重要な課題である。 本研究では、時系列フォレスト(TSF)、ランダムフォレスト(RF)、エクストリームグラディエントブースティング(XGBoost)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)、Gated Recurrent Unit(GRU)、シンプルなフィードフォワードニューラルネットワーク(NN)など、高度なモデルを活用する機械学習(ML)駆動のフレームワークを提案し、ペロブスカイト材料のXRDデータから結晶系、点群、空間群を分類する。 クラス不均衡に対処し、モデルロバスト性を高めるため、SMOTE(Synthetic Minority Over-Sampling Technique)、クラス重み付け、ジッタリング、スペクトルシフトといった機能強化戦略と、効率的なデータ前処理パイプラインを統合した。 SMOTEを増強したTSFモデルは、マティス相関係数(MCC)0.9、F1スコア0.92、精度97.76%の結晶系予測に強い性能を達成した。 点群と空間群の予測では95%以上のバランスの取れた精度が得られた。 このモデルは、立方晶系、点群3mとm-3m、空間群PnmaとPnnnを含む対称性のクラスに対して高い性能を示した。 この研究は、XRDに基づく構造解析のためのMLの可能性を強調し、ペロブスカイト物質の発見を加速する。

関連論文リスト

• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
  状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。 我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T23:15:17Z)
• OmniXAS: A Universal Deep-Learning Framework for Materials X-ray Absorption Spectra [0.6291443816903801]
  X線吸収分光法(XAS)は、吸収する原子の局所的な化学的環境を調べるための強力な特徴付け技術である。 我々は、XAS予測のための一連の伝達学習アプローチを含むフレームワークを提案し、それぞれが精度と効率の向上に寄与する。 提案手法は,XASモデリングのスループットを第1原理シミュレーションに比べて桁違いに向上させ,より広い範囲の要素に対するXAS予測に拡張可能である。
  論文  参考訳（メタデータ） (2024-09-29T04:41:10Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Neural networks trained on synthetically generated crystals can extract structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
  機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。 本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。 我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
  論文  参考訳（メタデータ） (2023-03-21T09:37:29Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。