一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法与流程

摘要: 本发明涉及晶体学、材料科学及人工智能,具体涉及一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法。背景技术:1、晶体结构的准确测定是材料科学、化学、矿...
一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法与流程

本发明涉及晶体学、材料科学及人工智能,具体涉及一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法。

背景技术:

1、晶体结构的准确测定是材料科学、化学、矿物学、药物研发及催化等领域开展物质组成分析、结构设计和性能研究的重要基础。x射线衍射、电子衍射等衍射技术能够获取晶体内部周期性结构对应的衍射信息。通常,利用衍射数据中各衍射点的振幅信息和相位信息进行傅里叶变换,可以重构晶体的电子密度图或散射密度图,并进一步确定晶胞内原子的空间排布,从而获得晶体的三维结构。

2、然而,在实际衍射实验中,探测器通常仅能记录衍射波的强度信息,进而能够获得衍射振幅,而与结构重建密切相关的相位信息无法被直接测得,形成晶体结构解析中的相位问题。为解决相位问题,现有技术中已提出直接法、双空间迭代法、模拟退火法等结构解析方法。但是,当衍射数据的分辨率较低、完整性不足、噪声较大,或者晶胞尺寸较大、晶胞内原子数较多时,衍射点数量和结构搜索空间均会显著增加,现有方法的相位求解稳定性和结构解析成功率容易下降。

3、近年来,人工智能技术被应用于晶体衍射相位预测。相关人工智能模型通常将衍射振幅或者与衍射点相关的特征输入神经网络,以输出对应的相位预测结果。但现有人工智能相位解析方案仍存在以下问题:其一,部分模型基于固定尺寸或较小尺寸的晶胞构建,输入数据形式与特定晶胞参数相绑定,当晶胞尺寸发生明显变化时,衍射点分布、倒空间特征及输入维度均可能发生变化,导致模型适配能力不足;其二,不同空间群的对称性约束、允许反射条件及衍射数据分布存在差异,部分模型仅针对单一空间群进行训练和使用,难以适用于多个空间群的晶体结构解析;其三,为提高对复杂晶体结构的预测能力,部分模型需要采用大量训练样本和复杂网络结构,导致训练周期长、计算资源消耗大,限制了人工智能相位解析方法在实际晶体结构测定中的应用。

4、因此,如何在晶胞尺寸可变、空间群类型不同的情况下,对衍射数据进行统一且有效的特征组织,并在保证相位预测准确性的同时降低模型训练和推理的计算成本,已成为本领域亟待解决的技术问题。

技术实现思路

1、有鉴于此,本发明的目的在于提供一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法,以解决现有人工智能晶体衍射相位解析方法难以适配可变晶胞尺寸和不同空间群,以及模型训练和晶体结构解析计算成本较高的问题。为实现上述目的,本发明提供如下技术方案:

2、在一种可能的实施方式中,提供了一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法,包括:获取目标晶体的衍射数据,并对所述衍射数据进行数据还原,得到所述目标晶体的晶胞参数、空间群信息、衍射指标以及衍射强度数据或衍射振幅数据;根据所述晶胞参数和所述衍射指标,确定各衍射指标对应的倒空间笛卡尔坐标和晶面间距;根据所述晶胞参数确定倒空间基矢坐标和晶胞体积,并获取或估算晶胞内原子数;对所述衍射强度数据或衍射振幅数据进行归一化处理,得到归一化振幅数据;按照预设的目标衍射指标集合及排列顺序,将所述归一化振幅数据、所述倒空间笛卡尔坐标、所述晶面间距、所述倒空间基矢坐标、所述晶胞体积、所述晶胞内原子数以及所述空间群信息构建为衍射特征;将所述衍射特征输入预先训练的人工智能模型,得到各目标衍射指标对应的预测相位信息,其中,所述人工智能模型包括编码层、特征混合层和分类层,所述特征混合层用于在衍射指标维度和特征维度之间进行特征混合;将所述预测相位信息与所述衍射振幅数据相结合,通过傅里叶逆变换重构目标晶体的散射密度图,并对所述散射密度图进行寻峰处理,得到目标晶体的三维晶体结构。

3、在一种可能的实施方式中,所述目标衍射指标集合通过以下方式获得:针对训练数据集中的多个晶体结构,统计预设分辨率范围内各衍射指标的出现频率;按照所述出现频率对各衍射指标进行排序,并选取出现频率最高的前n个衍射指标作为所述目标衍射指标集合,其中,n为正整数。

4、在一种可能的实施方式中,所述预设分辨率范围为1埃分辨率以内,所述目标衍射指标集合中的衍射指标数量n为3000。

5、在一种可能的实施方式中,所述衍射特征还包括各目标衍射指标对应的衍射指标信息;所述空间群信息、所述倒空间基矢坐标、所述晶胞内原子数和所述晶胞体积作为表征目标晶体整体结构的先验信息,与各目标衍射指标对应的特征共同输入所述人工智能模型。

6、在一种可能的实施方式中,所述人工智能模型的训练包括:获取多个空间群的晶体结构文件,构建包括多个空间群晶体结构的训练数据集;针对训练数据集中的每个晶体结构,计算目标衍射指标集合对应的衍射振幅、相位、倒空间笛卡尔坐标和晶面间距,并提取所述倒空间基矢坐标、晶胞内原子数和晶胞体积;将除相位以外的所述数据作为训练输入,将相位作为训练标签,对所述人工智能模型进行训练。

7、在一种可能的实施方式中,针对所述训练数据集中的每个晶体结构,基于原子散射因子模拟计算目标衍射指标集合对应的衍射振幅和相位;所述训练数据集针对每个空间群包括至少10万个晶体结构。

8、在一种可能的实施方式中,所述编码层、所述特征混合层和所述分类层均包括多层感知机;所述编码层用于将各目标衍射指标对应的输入特征编码为预设维度的特征向量;所述特征混合层用于交替地沿所述特征维度和所述衍射指标维度执行线性变换,以获得各目标衍射指标之间以及各类衍射特征之间的关联信息;所述分类层用于根据经特征混合后的特征向量输出相位类别的预测概率。

9、在一种可能的实施方式中,所述相位类别包括相位为0和相位为π的两个类别;根据所述相位类别的预测概率确定各目标衍射指标对应的预测相位信息。

10、在一种可能的实施方式中,所述衍射数据为x射线衍射数据或电子衍射数据;在所述衍射数据为电子衍射数据时,所述电子衍射数据的分辨率不低于1.5埃。

11、在一种可能的实施方式中,所述获取或估算晶胞内原子数,包括根据所述晶胞参数、晶胞体积、目标晶体的组成信息和预设的原子占据规则,确定或估算所述晶胞内原子数。

12、基于上述技术方案,本发明的适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法,通过获取目标晶体的晶胞参数、空间群信息、衍射指标及衍射强度数据或衍射振幅数据,确定各衍射指标对应的倒空间笛卡尔坐标和晶面间距,并结合倒空间基矢坐标、晶胞体积、晶胞内原子数及空间群信息,按照预设的目标衍射指标集合及排列顺序构建统一的衍射特征;利用包括编码层、特征混合层和分类层的人工智能模型,在衍射指标维度和特征维度之间进行特征混合,获得各目标衍射指标对应的预测相位信息;再将预测相位信息与衍射振幅数据相结合,通过傅里叶逆变换和寻峰处理得到目标晶体的三维晶体结构,解决了现有人工智能晶体衍射相位解析方法难以适配可变晶胞尺寸和不同空间群,以及模型训练和晶体结构解析计算成本较高的问题。

1.一种适配可变晶胞尺寸与多空间群的人工智能晶体衍射相位解析方法,其特征在于,包括:

2.根据权利要求1所述的人工智能晶体衍射相位解析方法,其特征在于,所述目标衍射指标集合通过以下方式获得:

3.根据权利要求2所述的人工智能晶体衍射相位解析方法,其特征在于,所述预设分辨率范围为1埃分辨率以内,所述目标衍射指标集合中的衍射指标数量n为3000。

4.根据权利要求1所述的人工智能晶体衍射相位解析方法,其特征在于,所述衍射特征还包括各目标衍射指标对应的衍射指标信息;所述空间群信息、所述倒空间基矢坐标、所述晶胞内原子数和所述晶胞体积作为表征目标晶体整体结构的先验信息,与各目标衍射指标对应的特征共同输入所述人工智能模型。

5.根据权利要求1所述的人工智能晶体衍射相位解析方法,其特征在于,所述人工智能模型的训练包括:

6.根据权利要求5所述的人工智能晶体衍射相位解析方法,其特征在于,针对所述训练数据集中的每个晶体结构,基于原子散射因子模拟计算目标衍射指标集合对应的衍射振幅和相位;所述训练数据集针对每个空间群包括至少10万个晶体结构。

7.根据权利要求5所述的人工智能晶体衍射相位解析方法,其特征在于,所述编码层、所述特征混合层和所述分类层均包括多层感知机;

8.根据权利要求7所述的人工智能晶体衍射相位解析方法,其特征在于,所述相位类别包括相位为0和相位为π的两个类别;根据所述相位类别的预测概率确定各目标衍射指标对应的预测相位信息。

9.根据权利要求1所述的人工智能晶体衍射相位解析方法,其特征在于,所述衍射数据为x射线衍射数据或电子衍射数据;在所述衍射数据为电子衍射数据时,所述电子衍射数据的分辨率不低于1.5埃。

10.根据权利要求1所述的人工智能晶体衍射相位解析方法,其特征在于,所述获取或估算晶胞内原子数,包括根据所述晶胞参数、晶胞体积、目标晶体的组成信息和预设的原子占据规则,确定或估算所述晶胞内原子数。