arXiv cs.AI· Ming-Chiang Chang, Brian DeCost·· 14 小时前AI 评分20
用 JEPA 自监督学习粉末 X 射线衍射图谱表征
Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns
AI 导读
研究采用自监督联合嵌入预测架构（JEPA），在潜空间内优化掩码自预测损失，从一维粉末 X 射线衍射图谱中学习表征嵌入。基于冻结 JEPA 表征训练的轻量注意力探针，在空间群分类与晶格参数估计上接近大得多的监督式视觉 Transformer。潜空间探测还显示，该表征自然组织物理变换，并可沿单相晶体表征间的潜路径解码出真实的多相混合图谱。
正文 · AI 翻译
摘要：粉末 X 射线衍射（XRD）是解析晶体结构的主要高通量方法，也是材料科学的基石。随着高通量合成与自驱动实验室的发展，自动化 XRD 图谱分析对于加速材料发现已变得至关重要。然而，当晶格变化导致非线性峰位移时，传统矩阵分解方法会失效。与此同时，监督学习方法在处理多相混合物时面临组合爆炸问题。为克服这些挑战，我们采用自监督联合嵌入预测架构（JEPA）从一维衍射图谱中学习表示嵌入。通过在潜在空间内直接优化掩码自预测损失，该框架捕获了高层次的晶体学语义。下游评估表明，在冻结的 JEPA 表示上训练的轻量级注意力探针，其空间群分类和晶格参数估计精度接近规模大得多的监督式视觉 Transformer。此外，潜在空间探测揭示，学习到的表示空间会自然地组织物理变换，为峰展宽分离出平滑轨迹。有趣的是，沿单相晶体表示之间的潜在路径进行解码，可生成逼真的多相混合物图谱，这表明在没有显式多相监督的情况下学习到了涌现的连续结构。
| 评论： | 8 页，6 幅图，1 张表。已被 AAAI 2026 Fall Symposium Series Workshop“Parsimonious Scientific Machine Learning: Accelerating Scientific Discovery with AI under Data and Compute Constraints”接收 |
| 主题： | 材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.33310 [cond-mat.mtrl-sci] |
| （或 arXiv:2610.33310v1 [cond-mat.mtrl-sci] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33310 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ming-Chiang Chang [查看电子邮件]
[v1]
2026 年 10 月 23 日星期五 21:24:33 UTC（3,145 KB）
来源：arXiv cs.AI · arxiv.org