SIMPOD：面向粉末X射线衍射的机器学习新基准数据库——推动晶体结构解析的革新

针对粉末X射线衍射（PXRD）晶体结构解析中数据集私有化、结构单一的技术瓶颈，Sergio Rincon等研究者开发了公开且结构多样的SIMPOD数据库。该数据集包含467,861个COD晶体结构及其模拟PXRD图谱与径向图像，通过计算机视觉模型实现了空间群预测准确率45.32%（Top 5达82.79%），为材料科学领域AI模型开发提供了重要基准。

　　

在材料科学领域，晶体结构解析犹如破解物质的"基因密码"，而粉末X射线衍射（PXRD）技术因其样品制备简单成为主流手段。然而，传统PXRD分析面临巨大挑战：三维晶体信息被压缩成一维衍射图谱，犹如将立体书压成单页纸，导致结构解析模糊不清。更棘手的是，现有机器学习研究多依赖私有数据集，如仅含无机物的ICSD或金属有机框架的MOFx-DB，这些数据不仅获取受限，还缺乏结构多样性，严重制约了AI模型的泛化能力。

为解决这一难题，哥伦比亚洛斯安第斯大学（Universidad de los Andes）材料化学与人工智能研究中心的Sergio Rincon团队联合开发了SIMPOD数据库。这项发表于《Scientific Data》的研究，通过整合Crystallography Open Database（COD）中467,861种晶体结构，构建了首个公开的PXRD机器学习基准数据集。研究人员创新性地将一维衍射图谱转化为二维径向图像，使计算机视觉模型能更高效捕捉晶体特征，最终实现空间群预测准确率较传统方法提升近50%，为材料逆向设计开辟了新路径。

研究团队采用三项关键技术：首先基于COD筛选4-256原子的晶体结构，利用Dans Diffraction包模拟CuKα辐射（λ=1.5406 ?）的PXRD图谱；其次通过数学变换将10,824维衍射数据压缩为1,024维后，构建具有中心对称性的径向图像（参数k=5，c=20）；最后采用2-fold交叉验证训练包括Swin Transformer V2在内的计算机视觉模型，并对比分析1D衍射图谱与2D图像的预测效能。

数据提取与验证
通过Mercury软件模拟验证，SIMPOD的衍射图谱与标准计算结果高度一致（见图3）。数据集涵盖从矿物到有机化合物的全类别结构，元素周期表中每个元素均有10³以上样本，空间群覆盖率达100%。Kullback-Leibler分析显示其原子分布（KLD=6.58×10^-4）与COD高度吻合。

模型性能突破
如表2所示，预训练的Swin V2模型在完整圆形径向图像上达到45.32%准确率。值得注意的是，改用1/4圆形图像后性能进一步提升至46.70%（表3），证实图像冗余度可优化。与传统DRF模型（37.48%）相比，深度学习模型相对提升21%。

实际应用测试
尽管在20组实验数据测试中模型表现下降（最佳Top 5准确率35%），但研究者指出这源于模拟数据缺乏背景噪声，反而凸显SIMPOD作为基准数据库的价值——为开发抗干扰算法提供纯净训练场。

这项研究的意义在于三方面突破：其一，SIMPOD首次实现PXRD分析领域开源数据规模与质量的统一，其46万+样本量远超Materials Project等现有资源；其二，创新的径向图像转换方法证明计算机视觉在晶体学中的独特优势，为后续研究提供技术范式；其三，数据集特别关注有机小分子（含H/C/N/O结构占比最高），弥补了传统矿物数据库的局限性。正如作者强调，该成果不仅助力空间群预测等具体任务，更将加速"衍射图谱→晶体结构"的端到端AI模型开发，有望重塑材料发现的研究范式。