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

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

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

介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。

Dec, 2023

通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确定之间的差距，并可用于探索各种材料性质的材料发现。

Dec, 2023

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

Raman spectroscopy 及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的 Raman 混合物数据集，比较了 4 种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

Jun, 2023

使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

Oct, 2017

本文介绍了使用激光诱导击穿光谱 (Raman) 进行光谱数据的定量分析。采用深度卷积多任务学习结构建立了鲁棒的校准模型，以预测分析物的浓度，辅助谱信息作为辅助输出。使用了基于模拟的数据扩充过程以合成代表实验数据的任意数量的光谱。通过利用多任务神经网络参数之间的相互依赖性，可以使用这些辅助输出来验证模型的可靠性。本文通过比较深度多任务模型与传统单变量和多变量分析的性能来突出了在该过程中引入的每个元素的单独贡献。

Oct, 2022

利用基于扩散模型的生成式机器学习模型，我们能够成功解决模拟的小至 10 安培、包含来自七个晶体系统的各种对称性和复杂性的 200 种材料的纳米晶体结构，并且能够处理真实实验中噪声扩散模式收集的结构解决方案，这表明数据驱动的方法将提供解决以前未解决的纳米材料结构的途径。

Jun, 2024