结晶位移提供了一种高效的算法，利用对称约束伪交效优化，最佳优先搜索，贝叶斯模型比较等方法，无需阶段空间信息或训练即可估计相位组合的概率，并提供材料结构参数的定量洞察，最终加速材料识别和发现。

Aug, 2023

本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型，该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群，并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题，经过测试，该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。

Nov, 2018

本文提出了一种针对粉末衍射数据分析的相同定量分析方法，使用固定点迭代算法进行带标签训练样本的单物相光谱估计，并使用相同算法确定最佳近似未知样本光谱的单物相光谱加权组合，以计算样本相对重量分数，与其他传统机器学习算法进行对比。

Oct, 2022

通过开发 AgileFD 算法，建立了一个新的卷积非负矩阵分解，使其能够快速地从一组组合的 X 射线衍射数据中映射出相图，并且能够标示其成分相对浓度与格参数随组分变化的规律，同时还能够将 Gibbs 相律纳入该算法中，形成物理上有意义的相图，可在不受监督的操作下完成，加入专家知识后，可获得更精细的解决方案。该算法对 V-Mn-Nb 氧化物体系的研究表明，其能够发现新的太阳能吸收剂以及通过合金化调节 MnV2O6 的带隙能量。此外，这个开放源码的 AgileFD 算法家族可以用于加速材料创新研究的广泛工作流程。

Oct, 2016

高能 X 射线衍射方法可非破坏性地对金属多晶工程材料的 3D 微结构和相关属性进行映射，而本研究提出的全自动技术可迅速检测高能 X 射线显微镜数据中塑性的发生，为驱动智能多模态 X 射线衍射方法的实验提供及时可行信息。

Dec, 2023

我们提出了用于从多方位表征数据中提取特征的二维表状相关分析方法，该方法通过热图可视化结构参数变化的相似性和相位滞后，结合分层聚类和异步相关。我们将该方法应用于在不同温度退火的碳纳米管（CNTs）薄膜数据集，并揭示了其包括空隙、束缚和非晶碳等元素在内的层次结构的复杂性。我们的分析解决了试图理解结构变化序列的挑战，尤其是在具有由 8 种表征方法得到的 11 个结构参数与复杂行为相互作用的多方位表征数据中。结果显示，相位滞后（从刺激中异步变化）和参数相似性可以阐明材料中结构变化的序列，深入了解退火 CNTs 中非晶碳的去除和石墨化等现象提供了洞察。即使在数据有限的情况下，这种方法也具有益处，并在广泛的材料分析领域具有潜力，展示了阐明复杂材料行为和性质的潜力。

Nov, 2023

通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

Aug, 2023

本文介绍了一种使用机器学习来预测过渡金属及其氧化物 X 射线衍射数据晶体结构相位的方法，并评估了其性能和比较了其不同设置的多样性，结果表明该机器学习框架具有竞争力的性能，这证明机器学习对 X 射线衍射和晶体结构确定领域具有重要意义。

Apr, 2023

本研究展示了多任务学习（MTL）架构的深度学习在高度扭曲的微 X 射线衍射模式分析中的潜力，通过训练 MTL 模型识别微 X 射线衍射模式中的相位信息，减少对实验数据标记和预处理的需求，展示了 MTL 模型在准确性上优于二进制分类卷积神经网络，并通过引入定制的交叉熵损失函数改善了 MTL 模型的性能。最重要的是，针对原始和未掩盖的 XRD 模式进行优化的 MTL 模型可以实现接近对预处理数据进行分析的模型的性能，准确性差异很小。这项工作表明，像 MTL 这样的高级深度学习架构可以自动化繁琐的数据处理任务，简化扭曲 XRD 模式的分析，并减少对劳动密集型实验数据集的依赖。

Mar, 2024

本文报道了一种使用卷积神经网络 (CNN) 对金属 - 有机框架 (MOFs) 实验 X-ray 衍射谱进行快速识别的方法，并使用数据增强技术对模型进行训练，进而实现其自主分析数据，打开了使用不同物料的 XRD 谱进行识别的众多潜在应用的可能，并为自主分析其他表征工具（如 FTIR，拉曼和 NMR）的数据铺平了道路。

Dec, 2019