Nature Materials：机器学习模型解决纳米材料结构解析难题

【创新成果】

哥伦比亚大学Hod Lipson、Simon J. L. Billinge、Gabe Guo等人提出了基于扩散过程生成机器学习模型——PXRDnet，使用45229个已知结构进行训练，能够成功解析小至10 A的模拟纳米晶体，涵盖200种不同对称性和复杂性的材料，包括来自所有七个晶系结构。他们研究成果解决了纳米材料结构解析的长期难题，为材料科学提供了高效工具，并有望推动纳米技术、能源、医药等领域的创新应用。研究成果以“Ab initio structure solutions from nanocrystalline powder diffraction data via diffusion models”为题发表于Nature Materials。

【主要创新点】

1、基于扩散模型的生成式机器学习方法：

论文提出了一种名为PXRDnet的生成式机器学习模型，基于扩散过程，利用45,229个已知晶体结构进行训练。该模型能够从化学式和有限信息的纳米晶粉末X射线衍射（PXRD）数据中直接解析原子结构，克服了传统方法在纳米材料结构解析中的信息缺失问题。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。

2、纳米尺度结构解析的突破：

传统方法在纳米材料（尤其是尺寸小于1000 Å的晶体）结构解析中面临挑战，主要因衍射峰展宽导致信息量减少。PXRDnet通过结合扩散模型和统计先验，成功解析了最小10 Å的纳米晶结构，覆盖了所有七个晶系（立方、四方、正交、三方、六方、单斜、三斜），在模拟数据中成功率高达80%（平均误差7%）。

3.实验数据验证与鲁棒性：
模型不仅适用于模拟数据，还能处理真实实验中的噪声衍射数据（如来自国际晶体学联合会数据库的案例），并通过Rietveld精修进一步优化候选结构，验证了其实际应用潜力。

据介绍，该研究方法可以应用于

1、纳米材料研发：

在无法获得单晶样品的场景下（如催化剂、量子点、纳米药物载体等），快速解析纳米材料结构，加速新材料的发现与优化。

2、复杂材料体系分析：

适用于多组分、低对称性材料的结构解析（如钙钛矿、金属有机框架等），支持能源存储、光电材料等领域的研究。

3、工业质量控制：

通过快速分析工业纳米粉末的晶体结构，优化生产工艺，提升材料性能一致性。

4、交叉学科扩展：

方法可扩展至其他衍射技术（如电子衍射、中子衍射），推动结构生物学、地质学等领域的纳米尺度分析。