ChatXRD：一种基于大语言模型驱动的、用于X射线衍射的晶系分类与晶格参数预测的框架

《Materials Genome Engineering Advances》：ChatXRD: A LLM-Driven Framework for Crystal System Classification and Lattice Parameters Prediction Based on XRD

　　

高通量X射线衍射（XRD）分析对加速材料发现至关重要，但传统方法常需要大量人工判读。研究人员提出ChatXRD，一种创新的大语言模型（LLM）驱动框架，将GPT-5驱动的智能体（agent）与定制工具集成，自主完成晶系分类与晶格参数预测。该框架设计两个工具：CrystalSystemClassifier与LatticeParametersPredictor，基于为XRD数据定制的自注意力衰减（self-attention-decayed）Transformer模型。方法在晶系分类上准确率超过97%，晶格参数预测的R2介于0.88与0.99之间，超越当前最优方法。采用基于决策树（decision tree）的推理进一步提升任务执行准确性与可靠性。结果表明，领域专用神经模型与LLM推理结合可用于自动化、可解释的XRD分析，支撑可扩展的高通量XRD分析，推动自动化材料研究与晶体学发展。

《Materials Genome Engineering Advances》刊发的该论文面向高通量材料合成与快速表征需求展开研究。X射线衍射（XRD）是表征晶体材料、获取晶系与晶格参数的关键手段，但现有人工智能方法多依赖支持向量机（SVM）、K近邻（KNN）、卷积神经网络（CNN）等模型，需要较多人工参与，难以大规模扩展；同时大语言模型（LLM）在XRD领域专用训练不足，晶系与晶格参数间强耦合关系难以由LLM单独解析，而CNN类方法对XRD峰位序列特性建模不足，少数Transformer方法又因粗粒度角度分箱造成信息损失。为此，研究人员开展LLM驱动XRD分析框架ChatXRD研究，由GPT-5驱动智能体协同专用预测工具与通用工具，以决策树深度优先搜索（DFS）推理组织工具调用，最终实现晶系分类准确率超97%、晶格参数预测R²为0.88至0.99，并提出这是LLM技术于XRD科学中的首批应用，可提升材料科学与晶体学分析效率。

作者为开展研究采用的关键技术方法包括：构建由Memory、Agent、ToolHub三部分组成的框架；ToolHub中XRD预测工具含CrystalSystemClassifier与LatticeParametersPredictor，通用工具含搜索引擎、绘图工具与XRD计算器。预测模型采用自注意力衰减Transformer即XRD Encoder，输入为XRD中θ的sin值序列，经掩码XRD模型（MXRDM）两阶段预训练与PCOD样本微调。样本队列来自Pymatgen合成数据及Predictive Crystallography Open Database（PCOD）真实库，训练集、验证集、测试集按8:1:1划分。

3 CrystalSystemClassifier

研究人员设计Classification7、ClassificationAngle、ClassificationSide三类策略，均基于XRD Encoder。通过直接七类分类、按晶胞角（α、β、γ）分层、按晶胞边长（a、b、c）分层，证明分层分类比直接七类更优，因子任务增加等效参数量并更好捕捉几何差异。

3.1 Three Classification Approaches

按角分类将七晶系归为四组再细分，按边分类将七晶系归为三组再细分，用于后续决策树多路径交叉验证。

3.2 Model

XRD Encoder由多层衰减自注意力模块与前馈神经网络组成。低角峰蕴含关键结构信息，故以初始化下三角矩阵作为注意力矩阵并实现多头加权衰减注意力，使模型更关注低角峰，提高序列依赖与可解释性。

3.3 Training Data

预训练用Pymatgen生成10K与50K合成XRD，2θ范围0至90°，sin θ取两位并截断或补零至700；微调用PCOD约6K与10K样本，七晶系分布不均，Trigonal样本极少。

3.4 Training Process

分三阶段：MXRDM掩码令牌预测、晶系分类预训练、PCOD数据微调。额外预训练任务弥补掩码预测与下游回归或分类目标差异，使特征更易迁移。

4 LatticeParametersPredictor

研究人员设Regression7、RegressionAngle、RegressionSide三种回归方式，基于XRD Encoder预测a、b、c。手造341368样本用于预训练，PCOD 49945样本用于微调，结果表明按角或按边分组的单一模型可有效预测对应晶系晶格参数。

5 Result

5.1 Crystal System Classification Result

在七随机种子下，Transformer方法显著优于KNN、决策树、SVM、CNN；50K预训练加10K微调时ClassificationAngle达97.3%、ClassificationSide达97.2%。150例独立测试上，ChatXRD通过搜索工具、LatticeParametersPredictor与多分类器一致性校验，修正单体分类器错误，准确率高于任一单管道。

5.2 Lattice Parameters Prediction Result

以R²与均方误差（MSE）评估，XRD Encoder优于直接以XRD图输入的1D CNN基线；按角与按边分组回归均取得0.88至0.99区间R²。

5.3 Ablation Experiments

注意力矩阵初始化中下三角（LTri）最稳且最准，训练后注意力明显偏向低角峰。两阶段预训练联合MXRDM与晶格参数预测优于单任务。输入用sin θ比直接用强度或2θ变换更贴合布拉格方程（Bragg equation）。微调时更新全部参数优于仅更新多层感知机（MLP）层。

6 Conclusion

研究人员结论为：ChatXRD结合GPT-5驱动智能体与CrystalSystemClassifier、LatticeParametersPredictor，借决策树推理动态调度工具，在晶系分类与晶格参数预测上表现突出，为高通量材料发现提供可扩展可靠方案。局限是当前主要用模拟或精修峰位数据，真实粉末XRD含背景噪声、峰宽化、重叠峰、杂峰与弱峰缺失，直接用于原始实验数据仍需改进预处理并加入实验图案训练。