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

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

本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。

Feb, 2012

本研究生成实验室地面真实数据集，用于验证非线性解混和物质组成估计的高级方法，包括研究光谱变异性和训练监督解混方法。

Aug, 2023

设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。

Mar, 2021

本文提出了一种结合深度神经网络自编码器和基于奇异值分解（SVD）的最优线性模型的新颖的非线性模型，相比传统模型在建模包含感兴趣能量范围内的 X 射线吸收光谱时具有优势。

Jul, 2023

通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

Oct, 2023

为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

Aug, 2023

本研究提出了一种端到端的自监督机器学习方法，通过仅仅使用衍射图像来恢复粒子方向并估计倒易空间强度，从而在 X 射线自由电子激光器的实验条件下展示了卓越的鲁棒性和显著增强的重建能力，标志着在目前 XFEL 上实施的单颗粒成像中的范式转变。

Nov, 2023

基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

Mar, 2024