开源AI模型实现了对晶体中缺失原子的高精度预测与还原

在材料科学领域，精确定位晶体结构中的每一个原子对于进行计算机模拟、预测材料的电导率及热导率等关键物理性质至关重要。然而，传统的X射线衍射实验往往难以准确检测到氢原子，导致许多实验测得的晶体结构存在原子缺失或位置偏差的情况，也使得数以千计具有潜在应用价值的新材料因信息不全而无法进入模拟分析阶段。

为了解决这一难题，研究团队借鉴了图像处理中的“局部涂补”（Inpainting）扩散模型技术。传统方法在重构时会在整个图像上引入随机噪声并全面重建，而XtalPaint模型则进行了针对性改进：它将噪声集中施加于晶体中未知的原子位置，同时最大程度地保留已知的已知结构。这种渐进式的重建方式使得AI能够以既有晶体框架为参照，显著提升了还原准确率并大幅节省了计算资源。

在严苛的测试中，研究人员将已知氢原子位置的晶体结构抹去相关数据后交由XtalPaint预测。结果显示，模型在87%的测试中完美还原了原有的原子分布；在另外10%的测试中，AI甚至生成了比原本记录更具能量稳定性的晶体构型，整体成功率高达97%。

这一创新方法不仅能用于补充和修补现有材料数据库中的缺失信息，矫正数据传输过程中的文献错误，还能拓展应用于锂、钠等电池关键元素的结构重构，为储能材料和新型超导体的开发提供强有力的支撑。该研究获得了瑞士国家科学基金会NCCR MARVEL项目的资助支持。