Возможности нейросетевого порошкового дифракционного анализа кристаллической структуры химических соединений |Possibilities of Neural Network Powder Diffraction Analysis Crystal Structure of Chemical Compounds
URI (для ссылок/цитирований):
http://journal.sfu-kras.ru/number/110285https://elib.sfu-kras.ru/handle/2311/128998
Автор:
Залога, А. Н.
Становов, В. В.
Безрукова, О. Е.
Дубинин, П. С.
Якимов, И. С.
Коллективный автор:
Институт цветных металлов и материаловедения
Кафедра композиционных материалов и физико-химии металлургических процессов
Дата:
2019Журнал:
JOURNAL OF SIBERIAN FEDERAL UNIVERSITY-CHEMISTRYКвартиль журнала в Web of Science:
без квартиляБиблиографическое описание:
Залога, А. Н. Возможности нейросетевого порошкового дифракционного анализа кристаллической структуры химических соединений |Possibilities of Neural Network Powder Diffraction Analysis Crystal Structure of Chemical Compounds [Текст] / А. Н. Залога, В. В. Становов, О. Е. Безрукова, П. С. Дубинин, И. С. Якимов // JOURNAL OF SIBERIAN FEDERAL UNIVERSITY-CHEMISTRY. — 2019. — Т. 12 (№ 2). — С. 188-200Аннотация:
Исследованы некоторые возможности применения сверточных искусственных нейронных
сетей (ИНС) для порошкового дифракционного структурного анализа кристаллических
веществ. Во-первых, ИНС применены для классификации кристаллических систем и
пространственных групп симметрии по расчетным полнопрофильным дифрактограммам,
вычисленным из кристаллических структур базы данных ICSD 2017 г. База ICSD содержит
192004 структуры, из которых 80 % использовалось для глубокого обучения сети, а 20 %
для независимого тестирования точности распознавания. Точность классификации
сетью кристаллических систем составила 87,9 %, а пространственных групп – 77,2 %. Во-
вторых, другая ИНС применена для классификации структурных моделей, сгенерированных
стохастическим генетическим алгоритмом в процессах поиска кристаллических структур
тестовых триклинных соединений K4SnO4 и K4SnO4, по их полнопрофильным дифрактограммам.
Было сгенерировано около 150 тысяч структурных моделей каждой из этих структур. Глубокое
обучение сети выполнялось на дифрактограммах структурных моделей K4PbO4. Обученная сеть
была применена для классификации структурных моделей K4SnO4 по их дифрактограммам.
Критерием классификации являлось попадание атомов в их кристаллографические позиции
в структуре. Точность классификации адекватных позиций атомов в структурных моделях
K4SnO4 превысила 50 %.