KAN-versterkte contrastieve leerfunctie: de versnellingsmotor voor kristalstructuurbepaling uit XRD-patronen

Waarom snellere kristalkaarten ertoe doen

Nieuwe materialen voor batterijen, elektronica en schone energie worden vaak één kristal tegelijk ontdekt. De interne atomaire ordening van elk kristal bepaalt hoe het zich gedraagt, en wetenschappers lezen die ordening doorgaans af uit poeder-Röntgendiffractie (XRD)-patronen—piekachtige grafieken die ontstaan wanneer Röntgenstralen verstrooid worden door een monster. Vandaag de dag is het omzetten van die patronen naar een concrete structuur langzaam en zeer afhankelijk van experts. Dit artikel introduceert een machine-learningsysteem dat snel een XRD-patroon kan koppelen aan waarschijnlijke kristalstructuren, waardoor dit detectivewerk sneller, betrouwbaarder en gemakkelijker in te schakelen is in geautomatiseerde laboratoria.

Van piekachtige patronen naar atomaire blauwdrukken

In de conventionele praktijk inspecteert een XRD-specialist de pieken van een patroon, gebruikt fysische formules om mogelijke atomaire afstanden af te leiden en vergelijkt vervolgens iteratief kandidaten met de gegevens. Dit proces heeft moeite wanneer pieken samenvallen of wanneer er veel vergelijkbare mogelijkheden zijn, en het schaalt niet goed naar moderne hoogdoorvoerlaboratoria die duizenden patronen per dag kunnen produceren. Eerdere machine-learningtools behandelden XRD meestal als een labelprobleem—het voorspellen van een symmetrieklasse of ruimtegrroep vanaf een patroon—in plaats van het direct identificeren van de structuur zelf. De nieuwe benadering, genoemd XRD‑Crystal Contrastive Pretraining (XCCP), herformuleert de taak als retrieval: gegeven een patroon, vind het meest compatibele kristal in een grote database.

Een tweezijdige blik op Röntgenpatronen

XCCP leert XRD-gegevens op een fysisch geïnformeerde manier "te zien". In plaats van het volledige patroon in één neuraal netwerk te voeren, splitst de methode het in twee bereiken. De ene tak richt zich op kleine hoeken, die langafstandseigenschappen vangen zoals gelaagde afstanden en superroosters. De andere concentreert zich op brede hoeken, waar pieken dicht opeenliggen en sterk worden bepaald door kristalsymmetrie. Elke tak wordt verwerkt door een diep netwerk en vervolgens gecombineerd door een speciaal projectiemodule gebaseerd op Kolmogorov–Arnold-netwerken (KANs). Deze module blinkt uit in het richten van aandacht op smalle delen van het patroon—juist daar waar scherpe diffractiepieken de meeste structurele informatie dragen.

Patronen en structuren in het midden laten samenkomen

Aan de kristalkant gebruikt XCCP een graafgebaseerd netwerk dat atomen als knooppunten en hun bindingen als verbindingen voorstelt. Tijdens training ziet het systeem vele gekoppelde paren: een XRD-patroon en de bekende kristalstructuur ervan. Het leert een gedeelde numerieke ruimte waarin elk patroon dicht bij zijn eigen structuur zit en ver verwijderd van verkeerde koppels. Wanneer een nieuw patroon binnenkomt, embedt het model het in deze ruimte, vergelijkt het met embeddings van alle structuren in de database en geeft het een gerangschikte shortlist terug. Zonder enige kennis van welke elementen aanwezig zijn, staat de juiste structuur bijna de helft van de tijd op de eerste plaats en verschijnt deze in de top vijf in de overgrote meerderheid van de gevallen. Wanneer de gebruiker ook de chemische samenstelling opgeeft—informatie die in echte experimenten vaak beschikbaar is—is de top-1 overeenkomst bijna 90% van de tijd correct.

Zien wat de machine ziet

De auteurs onderzoeken of hun systeem vertrouwt op echte fysica of op toevallige eigenaardigheden in de data. Door delen van het patroon te maskeren en attributietools te gebruiken, tonen ze aan dat de KAN-kop zijn beslissingen voornamelijk baseert op sterke, goed gedefinieerde diffractiepieken in plaats van op brede achtergrondvariaties of ruis. De toegevoegde laaghoekstak verbetert consequent de prestaties, vooral voor laag-symmetrische kristallen en patronen waarbij hoge-hoekkenmerken ambigu zijn. Het model blijkt ook robuust tegen veelvoorkomende experimentele imperfecties zoals piekverbreding en kleine verschuivingen langs de hoekas, en het transfereert redelijk goed naar echte experimentele datasets. Belangrijk is dat de similariteitsscores die het produceert dubbel dienstdoen als betrouwbaarheidsmaatstaven, en sterk dalen wanneer de werkelijke structuur afwezig is in de database—een essentiële eigenschap voor veilig gebruik in de praktijk.

Op weg naar slimmer, zelfsturende materiaalontdekking

Voor niet-specialisten is de hoofdboodschap dat XCCP XRD-analyse verandert van ambacht in een snelle, data-gedreven zoekmethode. Door diffractiepatronen en kandidaatkristallen af te stemmen in een gedeelde ruimte, en door fysica-bewuste netwerkarchitectuur te gebruiken, kan het systeem snel een korte lijst van realistische atomische blauwdrukken voorstellen met interpreteerbare zekerheid. Het vervangt geen deskundig oordeel of gedetailleerde verfijning, maar het versnelt sterk de eerste, moeilijkste stap—uitvinden welke structuren überhaupt plausibel zijn. Dit maakt het goed geschikt voor hoogdoorvoerlaboratoria en autonome systemen, waar robots nieuwe verbindingen kunnen synthetiseren, hun XRD-patronen meten en XCCP in realtime waarschijnlijke structuren kan voorstellen, waardoor de weg van ruwe data naar nieuwe materialen wordt versneld.

Bronvermelding: Xu, C., Su, T., Xiong, J. et al. KAN-enhanced contrastive learning: the accelerator of crystal structure identification from XRD patterns. npj Comput Mater 12, 144 (2026). https://doi.org/10.1038/s41524-026-02015-y

Trefwoorden: poeder-Röntgendiffractie, bepaling van kristalstructuren, contrastief leren, materialen-informatica, Kolmogorov–Arnold-netwerken