論文の概要: Knowledge-Driven XRD Phase Identification via Multi-View Retrieval and Explanation

• arxiv url: http://arxiv.org/abs/2609.31888v1
• Date: Fri, 25 Sep 2026 18:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:59:44.069848
• Title: Knowledge-Driven XRD Phase Identification via Multi-View Retrieval and Explanation
• Title（参考訳）: 多視点検索と説明による知識駆動型XRD位相同定
• Abstract要約: 本稿では,表現学習,類似性に基づく検索,説明可能な意思決定支援を統合したXRD位相解析のための多値決定フレームワークを提案する。 畳み込みオートエンコーダは、構造的類似性を保持するXRDパターンのコンパクトな潜在表現を学習する。 合成データセットの実験は、強い予測性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: X-ray diffraction (XRD) is a experimental technique for determining the phase composition and structure of crystalline materials. However, interpreting XRD patterns is challenging, particularly in high-throughput materials discovery, where many novel materials may need to be characterized and no reference patterns are available. Consequently, machine learning is increasingly used to accelerate and automate the analysis while reducing errors associated with human interpretation. We propose a multi-decision framework for XRD phase analysis that integrates representation learning, similarity-based retrieval, and explainable decision support within a unified reference database. A convolutional autoencoder learns compact latent representations of XRD patterns that preserve structural similarity while remaining robust to variations arising from experimental noise and measurement conditions. By integrating multiple decision pathways within a shared latent space, the framework moves beyond single-label prediction toward ranked and interpretable phase analysis that mirrors expert practice. During inference, complementary decision mechanisms are applied, including latent-space classification and retrieval, explanation-guided similarity using Integrated Gradients, and composition-based similarity search. These mechanisms generate ranked candidate phase lists that are aggregated into a final prediction with an associated confidence score. Experiments on synthetic datasets demonstrate strong predictive performance, achieving 98.85\,\% accuracy for crystal system classification and 95.82\,\% accuracy for space group prediction on the test set, while maintaining robustness under realistic perturbations. The framework supports reliable, analyst-friendly identification of crystal phases and structures in high-throughput and exploratory materials discovery settings.
• Abstract（参考訳）: X線回折(XRD)は結晶材料の相組成と構造を決定する実験手法である。 しかしながら、XRDパターンの解釈は、特に、多くの新しい材料を特徴付ける必要があり、参照パターンが利用できない高スループット材料発見において困難である。 その結果、機械学習は、人間の解釈に関連するエラーを減らしながら、分析を加速し、自動化するためにますます使われています。 本稿では,表現学習,類似性に基づく検索,説明可能な決定支援を統合参照データベース内で統合したXRD位相解析のための多値決定フレームワークを提案する。 畳み込みオートエンコーダは、実験ノイズや測定条件から生じる変動に頑健でありながら、構造的類似性を保ったXRDパターンのコンパクトな潜時表現を学習する。 複数の決定経路を共有潜在空間に統合することにより、このフレームワークは、専門家の実践を反映したランク付けされた解釈可能なフェーズ分析へと、シングルラベルの予測を超えて進む。 推論中に、潜在空間の分類と検索、統合勾配を用いた説明誘導類似性、合成に基づく類似性探索など、相補的な決定機構が適用される。 これらのメカニズムは、関連する信頼スコアで最終予測に集約されたランク付けされた候補フェーズリストを生成する。 合成データセットの実験は、結晶系の分類において98.85\,\%の精度とテストセット上での空間群予測において95.82\,\%の精度を達成し、現実的な摂動下で頑健さを維持しながら、強い予測性能を示す。 このフレームワークは、高スループットで探索的な材料発見設定において、結晶相と構造を信頼性、アナリストフレンドリに識別する。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction [7.54947954086392]
  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。
  論文  参考訳（メタデータ） (2026-05-07T08:33:56Z)
• 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)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Mapping the Multiverse of Latent Representations [17.2089620240192]
  PRESTOは、潜在表現に依存する機械学習モデルのマルチバースをマッピングするための、原則化されたフレームワークである。 我々のフレームワークは、多種多様な機械学習手法の組み合わせから生じる潜伏空間を特徴付けるために永続的ホモロジーを使用する。
  論文  参考訳（メタデータ） (2024-02-02T15:54:53Z)
• 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。