[논문 리뷰] Revealing Local Structures through Machine-Learning- Fused Multimodal Spectroscopy

Haili Jia, Yiming Chen외 5명|ArXiv.org|2025. 01. 15.

Spectroscopy and Chemometric Analyses인용 수 3

한 줄 요약

이 논문은 다중모드 분광학(XAS/EELS)을 다중모드 시뮬레이션 및 실험과 융합하여 LiNiMnCoO2 재료의 국부 구조와 결함을 결정하는 기계학습 프레임워크를 제시한다.

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.

연구 동기 및 목표

• 결함이 포함된 재료에서 원자 수준의 국소 구조 결정의 문제의 동기를 부여한다.
• 실험적 XAS/EELS 데이터를 다중모드 ab initio 시뮬레이션과 통합하는 프레임워크를 개발한다.
• 다중 엘리먼트와 엣지에 걸쳐 국소 원소 함량과 결함의 존재를 추론하기 위해 머신러닝을 활용한다.
• 산소 vacancies 및 antisite 결함이 있는 LiNiMnCoO2 산화물에 적용 가능성을 시연한다.
• 분광학을 국소 원자/전자 구조와 연결하는 물리적 해석 가능성을 제공한다.

제안 방법

• 다중모드 ab initio 시뮬레이션과 실험 XAS/EELS 데이터를 통합한다.
• 다중 엘리먼트와 엣지 간 정보를 융합하기 위해 머신러닝 모델을 적용한다.
• Li에서 전이 금속까지의 국소 원소 함량을 정량적으로 추론한다.
• 다중모드 신호를 사용하여 산소 결손 및 antisite와 같은 국소 결함을 탐지한다.
• 스펙트럼 특징을 국소 원자/전자 구조와 연결하는 해석 가능성을 제공한다.

실험 결과

연구 질문

• RQ1 ML-융합 다중모드 분광 데이터가 국소 구조와 결함 유형을 정량적으로 정확하게 결정할 수 있는가?
• RQ2 교차 엣지 XAS/EELS 데이터가 Li 및 전이 금속 간 원소 함량 추정의 정확도를 단일 모드 스펙트럼보다 향상시킬 수 있는가?
• RQ3 단일 모드 데이터가 실패하는 경우에서도 다중모드 데이터로 특정 결함(예: 산소 결손, antisite)을 식별할 수 있는가?
• RQ4 스펙트로스코피를 명시적 국소 원자/전자 구조 정보와 연결하는 프레임워크는 어떻게 작동하는가?

주요 결과

• Li에서 전이 금속까지의 국소 원소 함량을 실험과 정량적으로 일치하는 방법으로 추론할 수 있다.
• 다중모드 분광 데이터를 사용하는 ML 모델은 산소 결손 및 antisite와 같은 결함의 존재를 결정할 수 있다.
• 단일 모드 스펙트럼이나 기법은 다중모드 융합이 밝히는 특정 국소 결함을 신뢰성 있게 감지하지 못한다.
• 프레임워크는 분광 신호를 국소 원자/전자 구조와 연결하는 물리적 해석 가능성을 제공한다.