Neues probabilistisches Modell für Kristallstruktur: Denoising, Phasen & OPs

Atomistische Simulationen liefern riesige Mengen verrauschter Strukturdaten, doch die extraktion von Phasenkennungen, Ordnungsparametern und Defektinformationen in einer universellen, robusten und interpretierbaren Weise bleibt bislang schwierig.

Aktuelle Werkzeuge wie PTM und CNA beschränken sich auf wenige, handgefertigte Gitter (z. B. FCC, BCC, HCP), verlieren bei starker thermischer Unordnung oder Defekten an Genauigkeit und liefern harte, templatebasierte Labels ohne pro‑Atom‑Wahrscheinlichkeiten oder Vertrauenswerte.

Das neue Modell nutzt eine log‑Wahrscheinlichkeits‑Grundlage, die Denoising, Phasenklassifikation und die Extraktion von Ordnungsparametern in einem einzigen probabilistischen Rahmen vereint. Durch die Wiederverwendung der MACE‑MP‑Interatomic‑Potential‑Architektur werden Kristallstrukturen, die auf AFLOW‑Prototypen abgebildet sind, trainiert, um pro‑Atom‑, pro‑Phase‑Logits zu prognostizieren und diese zu einer globalen Log‑Dichte zu aggregieren. Der Gradient dieser Log‑Dichte definiert ein konservatives Score‑Feld.

Die Denoising‑Phase erfolgt durch Gradientenaufstieg auf der erlernten Log‑Dichte, Phasenlabels ergeben sich aus dem argmax der Logits, und die Logits selbst dienen als kontinuierliche, defektsensitive und interpretierbare Ordnungsparameter, die die euklidische Distanz zu idealen Phasen quantifizieren.

Die Methode demonstriert ihre Universalität über Hunderte von Prototypen, bleibt robust bei starker thermischer und defektinduzierter Unordnung und behandelt komplexe Systeme wie Eis‑Polymorphen, Eis‑Wasser‑Grenzen sowie schockkomprimiertes Titan mit hoher Genauigkeit.