基于AI的XANES预测：通用性和实验校准

本文解决了当前XANES模拟方法的局限性，开发了一种用于更快、更准确预测的AI模型。关键创新在于使用在模拟数据上预训练的晶体图神经网络，然后使用实验数据进行校准。这种方法允许对多种元素进行通用预测，并显着提高了预测的准确性，特别是与实验数据相比。这项工作意义重大，因为它提供了一种更有效、更可靠的方法来分析XANES光谱，这对于材料表征至关重要，尤其是在电池研究等领域。

• •开发了一种使用晶体图神经网络的XANES预测AI模型。
• •该模型在模拟数据上进行预训练，并使用实验数据进行校准。
• •实现了对48种元素的通用XANES预测。
• •校准后，显着减少了边缘能量错位误差。
• •提供了一种更快、更准确的XANES分析方法。