[論文レビュー] Revealing Local Structures through Machine-Learning- Fused Multimodal Spectroscopy

Haili Jia, Yiming Chen+5 more|ArXiv.org|Jan 15, 2025

Spectroscopy and Chemometric Analyses被引用数 3

ひとこと要約

本論文は、機械学習フレームワークを用いて、マルチモーダル分光法（XAS/EELS）とマルチモーダルシミュレーションおよび実験を統合し、LiNiMnCoO2材料の局所構造と欠陥を決定する。

ABSTRACT

Atomistic structures of materials offer valuable insights into their functionality. Determining these structures remains a fundamental challenge in materials science, especially for systems with defects. While both experimental and computational methods exist, each has limitations in resolving nanoscale structures. Core-level spectroscopies, such as x-ray absorption (XAS) or electron energy-loss spectroscopies (EELS), have been used to determine the local bonding environment and structure of materials. Recently, machine learning (ML) methods have been applied to extract structural and bonding information from XAS/EELS, but most of these frameworks rely on a single data stream, which is often insufficient. In this work, we address this challenge by integrating multimodal ab initio simulations, experimental data acquisition, and ML techniques for structure characterization. Our goal is to determine local structures and properties using EELS and XAS data from multiple elements and edges. To showcase our approach, we use various lithium nickel manganese cobalt (NMC) oxide compounds which are used for lithium ion batteries, including those with oxygen vacancies and antisite defects, as the sample material system. We successfully inferred local element content, ranging from lithium to transition metals, with quantitative agreement with experimental data. Beyond improving prediction accuracy, we find that ML model based on multimodal spectroscopic data is able to determine whether local defects such as oxygen vacancy and antisites are present, a task which is impossible for single mode spectra or other experimental techniques. Furthermore, our framework is able to provide physical interpretability, bridging spectroscopy with the local atomic and electronic structures.

研究の動機と目的

• 欠陥を含む材料における原子レベルの局所構造を決定する課題を動機づける。
• 実験的なXAS/EELSデータとマルチモーダル第一原理シミュレーションを統合するフレームワークを開発する。
• 機械学習を用いて複数の元素とエッジにわたる局所元素含有量と欠陥の存在を推定する。
• 酸素空孔や反位欠陥を持つLiNiMnCoO2酸化物への適用性を示す。
• 分光と局所原子/電子構造を結びつける物理的解釈性を提供する。

提案手法

• マルチモーダル第一原理シミュレーションと実験的XAS/EELSデータを統合する。
• 機械学習モデルを適用して複数の元素とエッジにまたがる情報を統合する。
• Liから遷移金属までの局所元素含有量を定量的に推定する。
• 酸素空孔や反位欠陥などの局所欠陥をマルチモーダル信号を用いて検出する。
• スペクトル特徴を局所原子/電子構造へ結びつける解釈性を提供する。

実験結果

リサーチクエスチョン

• RQ1 MLで統合されたマルチモーダル分光データは定量的精度で局所構造と欠陥タイプを決定できるか。
• RQ2 クロスエッジXAS/EELSデータはLiと遷移金属の元素含有量推定を単一モードスペクトルより改善できるか。
• RQ3 単一モードが失敗する場合に、マルチモーダルデータから特定の欠陥（例：酸素空孔、反位）を識別できるか。
• RQ4 フレームワークは分光と明示的な局所原子/電子構造情報をどのように橋渡しするか。

主な発見

• Liから遷移金属までの局所元素含有量を実験と数量的に一致させて推定できる。
• マルチモーダル分光を用いたMLモデルは酸素空孔や反位欠陥の存在を特定できる。
• 単一モードスペクトルや技術は、マルチモーダル統合で初めて明らかになる特定の局所欠陥を信頼性高く検出できない場合がある。
• 本フレームワークは分光信号を局所原子/電子構造へ結びつける物理的解釈性を提供する。