KAN destekli kontrastif öğrenme: XRD desenlerinden kristal yapı tanımlamanın hızlandırıcısı

Neden Daha Hızlı Kristal Haritalama Önemli

Piller, elektronikler ve temiz enerji için yeni malzemeler genellikle birer kristal halinde keşfedilir. Her kristalin içsel atomik dizilişi davranışını belirler ve bilim insanları bu dizilişi genellikle bir örnekten saçılan X-ışınlarının ürettiği sivri grafikler olan toz X‑ışını kırınımı (XRD) desenlerinden okurlar. Bugün bu desenleri somut bir yapıya dönüştürmek yavaş ve uzman gerektiren bir iştir. Bu makale, bir XRD desenini olası kristal yapılarla hızla eşleştirebilen bir makine öğrenimi sistemi sunuyor; böylece bu dedektiflik işi daha hızlı, daha güvenilir ve otomatik laboratuvarlara daha kolay entegre edilebilir hale geliyor.

Sivri Desenlerden Atomik Planlara

Geleneksel uygulamada bir XRD uzmanı desenin tepe noktalarını inceler, olası atomik aralıkları çıkarmak için fiziksel formüller kullanır ve ardından aday yapıları veriye karşı yinelemeli biçimde karşılaştırır. Bu süreç, tepeler üst üste bindiğinde veya birçok benzer olasılık bulunduğunda zorlanır ve günde binlerce desen üretebilen modern yüksek verimli deneylere ölçeklenemez. Geçmişteki makine öğrenimi araçları çoğunlukla XRD'yi bir etiketleme problemi gibi ele aldı—bir desenden simetri sınıfı veya uzay grubunu tahmin etmek—doğrudan yapıyı tanımlamak yerine. XRD‑Crystal Contrastive Pretraining (XCCP) adı verilen yeni yaklaşım ise görevi getiri (retrieval) olarak yeniden çerçeveliyor: bir desen verildiğinde, büyük bir veritabanında en uyumlu kristali bul.

X‑Işın Desenlerine İki Gözle Bakmak

XCCP, XRD verilerini fiziksel olarak bilgilendirilmiş bir şekilde “görmeyi” öğrenir. Tüm deseni tek bir sinir ağına vermek yerine yöntem, deseni iki aralığa böler. Bir dal küçük açılara odaklanır; bunlar katmanlı aralıklar ve süperızgaralar gibi uzun menzilli özellikleri yakalar. Diğer dal ise geniş açılara yoğunlaşır; burada tepe noktaları yoğundur ve kristal simetrisi tarafından güçlü biçimde yönetilir. Her iki dal derin bir ağ tarafından işlenir ve ardından Kolmogorov–Arnold Ağları (KAN) temelinde özel bir projeksiyon modülü ile birleştirilir. Bu modül, desenin dar bölgelerine—keskin kırınım tepelerinin en fazla yapısal bilgiyi taşıdığı yerlere—dikkati odaklama konusunda üstündür.

Desenlerle Yapıların Ortada Buluşması

Kristal tarafında XCCP, atomları düğümler ve bağları bağlantılar olarak temsil eden grafik tabanlı bir ağ kullanır. Eğitim sırasında sistem birçok eşleştirilmiş çift görür: bir XRD deseni ve onun bilinen kristal yapısı. Sistem, her desenin kendi yapısına yakın ve uyumsuz olanlardan uzak olduğu paylaşılan bir sayısal uzayı öğrenir. Yeni bir desen geldiğinde model onu bu uzaya gömer, tüm veritabanı yapılarının gömmeleriyle karşılaştırır ve sıralanmış kısa bir liste döndürür. Hangi elementlerin bulunduğu bilgisi olmadan bile doğru yapı neredeyse yarı yarıya ilk sırada yer alır ve vakaların büyük çoğunluğunda ilk beşte görünür. Kullanıcı kimyasal bileşimi de sağlarsa—gerçek deneylerde yaygın olarak bulunan bilgi—ilk eşleşme neredeyse %90 doğrulukta doğrudur.

Makinenin Ne Gördüğünü Görmek

Yazarlar, sistemlerinin gerçek fiziğe mi yoksa verinin tesadüfi özelliklerine mi dayandığını araştırırlar. Desenin parçalarını maskeleyip atıf araçları kullanarak, KAN başlığının kararlarını geniş arka plan değişimleri veya gürültü yerine esas olarak güçlü, iyi tanımlanmış kırınım tepelerine dayandırdığını gösterirler. Eklenen düşük açı dalı performansı tutarlı biçimde iyileştirir; özellikle düşük simetrili kristallerde ve yüksek açı özelliklerinin belirsiz olduğu desenlerde. Model ayrıca tepe genişlemesi ve açı ekseni boyunca küçük kaymalar gibi yaygın deneysel kusurlara karşı dayanıklıdır ve gerçek deneysel veri kümelerine makul düzeyde transfer olur. Önemli olarak, ürettiği benzerlik puanları güven ölçütleri olarak da iki işlev görür; gerçek yapı veritabanında yoksa puanlar belirgin şekilde düşer—gerçek dünyada güvenli kullanım için temel bir özellik.

Daha Akıllı, Kendi Kendine İşleyen Malzeme Keşfine Doğru

Uzman olmayan biri için ana mesaj şudur: XCCP XRD analizini bir ustalıktan hızlı, veri odaklı bir aramaya çevirir. Kırınım desenlerini ve aday kristalleri paylaşılan bir uzayda hizalayarak ve fizik farkındalıklı ağ tasarımı kullanarak sistem, yorumlanabilir güven ile gerçekçi atomik planların kısa bir listesini hızla önerebilir. Uzman yargısının veya ayrıntılı rafinmanın yerini almaz, ancak hangi yapıların mantıklı olabileceğini belirleme konusundaki ilk ve en zor adımı büyük ölçüde hızlandırır. Bu, robotların yeni bileşikler sentezleyip XRD desenlerini ölçebildiği ve XCCP'nin muhtemel yapıları gerçek zamanlı önerebildiği yüksek verimli ve otonom laboratuvarlar için özellikle uygundur; ham veriden yeni malzemelere giden yolu hızlandırır.

Atıf: 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

Anahtar kelimeler: toz X-ışını kırınımı, kristal yapı tanımlama, kontrastif öğrenme, malzeme bilişimi, Kolmogorov–Arnold ağları