AIを活用したXANES予測：普遍性と実験キャリブレーション

この論文は、現在のXANESシミュレーション方法の限界に対処するため、より高速で正確な予測を行うAIモデルを開発しています。主な革新は、シミュレーションデータで事前学習された結晶グラフニューラルネットワークを使用し、その後実験データでキャリブレーションすることです。このアプローチにより、複数の元素にわたる普遍的な予測が可能になり、特に実験データと比較した場合、予測の精度が大幅に向上します。この研究は、材料特性評価、特にバッテリー研究などの分野で不可欠なXANESスペクトルの分析のための、より効率的で信頼性の高い方法を提供するため、重要です。

• •結晶グラフニューラルネットワークを使用したXANES予測のためのAIモデルを開発。
• •モデルはシミュレーションデータで事前学習され、実験データでキャリブレーションされます。
• •48の元素にわたる普遍的なXANES予測を実現。
• •キャリブレーション後、エッジエネルギーのミスアライメントエラーを大幅に削減。
• •XANES分析のためのより高速で正確な方法を提供。