論文の概要: XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction

• arxiv url: http://arxiv.org/abs/2605.05866v1
• Date: Thu, 07 May 2026 08:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.633187
• Title: XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction
• Title（参考訳）: XDecomposer: 多相X線回折のための事前自由集合分解学習
• Authors: Hanyu Gao, Bin Cao, Yunyue Su, Tong-Yi Zhang, Qiang Liu,
• Abstract要約: XDecomposerは,多相XRDパターンの結合分解と同定のための事前自由なフレームワークである。 実験により、XDecomposerは様々な化学系における再構成精度と位相同定を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 7.54947954086392
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multiphase powder X-ray diffraction (PXRD) analysis remains a fundamental bottleneck in structure identification, as real-world synthesis often produces complex mixtures whose constituent phases (components) cannot be reliably disentangled. While recent advances in representation-based crystal retrieval and generation suggest the possibility of inferring structures directly from PXRD, existing approaches largely assume single-phase inputs and break down in multiphase settings. Here, we present XDecomposer, a prior-free framework for joint decomposition and identification of multiphase XRD patterns without requiring candidate phase lists, structural templates, or prior knowledge of phase number. We formulate multiphase diffraction analysis as a set prediction problem, where the model infers an unordered set of phase-resolved components, their mixture proportions, and corresponding structural representations within a unified architecture. A phase-query-driven decomposition mechanism, together with diffraction-consistent physical reconstruction, enables accurate source separation while preserving crystallographic fidelity. Extensive experiments on both simulated and experimental datasets show that XDecomposer substantially improves reconstruction accuracy and phase identification across diverse chemical systems, while maintaining strong generalization to unseen mixtures. These results provide a practical route toward data-driven, source-resolved multiphase XRD analysis and reduce long-standing dependence on prior-guided iteratively phase matching. The code is openly available at https://github.com/Licht0812/XDecomposer
• Abstract（参考訳）: 多相粉末X線回折(PXRD)分析は構造同定において基礎的なボトルネックであり、実世界の合成はしばしば構成相(成分)が確実に解離できない複雑な混合物を生成する。 近年の表現に基づく結晶検索と生成の進歩は、PXRDから直接構造を推測する可能性を示しているが、既存のアプローチでは、主に単相入力を仮定し、多相設定で分解する。 本稿では,XDecomposerについて述べる。XDecomposerは相リスト,構造テンプレート,あるいは相数に関する事前知識を必要とせず,複数相のXRDパターンを分解・同定するための事前自由なフレームワークである。 本稿では,多相回折解析を集合予測問題として定式化し,モデルが相分解成分の無秩序な集合,それらの混合比,および統一アーキテクチャ内の対応する構造表現を推定する。 位相電流駆動分解機構と回折一貫性のある物理再構成は、結晶学的な忠実さを維持しながら正確なソース分離を可能にする。 XDecomposerは、様々な化学系の再構成精度と位相同定を大幅に改善し、未知の混合物への強い一般化を維持している。 これらの結果は,データ駆動多相XRD解析への実践的な経路を提供し,事前誘導反復位相マッチングに対する長期依存性を低減させる。 コードはhttps://github.com/Licht0812/XDecomposerで公開されている。

関連論文リスト

• AI-Driven Structure Refinement of X-ray Diffraction [6.970927372252305]
  このアルゴリズムは,ブラッグの法則をバッチ予測における明示的な制約へと変換する。 ブラッグに一貫性があり、不確実性を認識した強度を洗練可能なインターフェースとして提供することにより、WPEMはAI生成仮説と回折許容構造洗練の間のギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-18T11:14:35Z)
• Dara: Automated multiple-hypothesis phase identification and refinement from powder X-ray diffraction [2.7076607398164705]
  Daraは粉末XRDデータから複数の位相の堅牢な識別と精錬を自動化するために設計されたフレームワークである。 主な特徴は、構造データベースフィルタリング、木の拡大中の等構造相の自動クラスタリング、ピークマッチングに基づくスコアリング、改良のための有望な相を特定することである。
  論文  参考訳（メタデータ） (2025-10-22T15:13:47Z)
• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• Frequency-domain alignment of heterogeneous, multidimensional separations data through complex orthogonal Procrustes analysis [0.0]
  多次元分離データには、複雑な生物学的サンプルに関する詳細な情報を明らかにする能力がある。 データ分析は、化学因子を表わすピークが、いくつかの分析実行の過程で漂流する可能性があるため、この分野で進行中の課題である。 この研究は、合成多次元分離データの周波数領域表現のProcrustes解析を通じて、アライメント問題に対する非常に単純な解を提供する。
  論文  参考訳（メタデータ） (2025-02-18T12:14:14Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Conditional Distribution Quantization in Machine Learning [83.54039134248231]
  条件予測 mathbbE(Y Mid X) はしばしば、マルチモーダル条件分布の複雑さを捉えることに失敗する(Y Mid X) 我々はn点条件量子化(n-point Conditional Quantizations)-勾配降下により学習可能なXの関数写像--近似数学L(Y mid X)-を提案する。
  論文  参考訳（メタデータ） (2025-02-11T00:28:24Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Probabilistic Phase Labeling and Lattice Refinement for Autonomous Material Research [20.78180998995325]
  確率的XRD位相ラベリングのための効率的なアルゴリズムであるCrystalShiftを提案する。 我々は、CrystalShiftが頑健な確率を提供し、合成および実験データセットにおける既存の手法より優れていることを実証した。 効率的な位相マッピングに加えて、CrystalShiftは材料の構造パラメータに関する定量的な洞察を提供する。
  論文  参考訳（メタデータ） (2023-08-15T17:38:38Z)

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。