PhaseMatcher: Autoregressive Phase-Set Identification with Spectral Decomposition
作者: Zhonglong Peng, Qiuliang Liu, Chang Chen, Geng Zhong, Qi Li, Lihong Wang, Lan Jiang, Shifeng Jin
分类: cs.CE, cond-mat.mtrl-sci, cs.LG
发布日期: 2026-10-05
备注: 51 pages
💡 一句话要点
提出PhaseMatcher以解决PXRD中相位识别问题
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 粉末X射线衍射 相位识别 自回归框架 谱分解 材料科学 化学分析 机器学习
📋 核心要点
- 现有的PXRD相位识别方法在弱相位信号与强信号重叠时，容易导致识别错误和残差失真。
- PhaseMatcher通过自回归框架和物理引导的谱分解，迭代识别相位并重新估计其贡献，改善了相位识别的准确性。
- 在合成混合物和PhaseMix-135K数据集上，PhaseMatcher显著提高了相位集合的识别率和贡献估计的准确性。
📝 摘要（中文）
从粉末X射线衍射（PXRD）中恢复完整的相位集合是一项挑战，尤其是在弱相位峰与强信号重叠时。现有的迭代相位识别方法在识别相位后，可能因对其贡献的误估而导致后续错误。本文提出了PhaseMatcher，一个自回归框架，通过物理引导的谱分解实现完整相位集合的识别。PhaseMatcher在每次相位预测后重新估计所有已选相位的贡献及残差，考虑到参考模式与观察中相位贡献之间的物理可行变化。最终的残差指导后续相位识别，同时独立的停止模块决定相位集合何时完成。实验结果表明，PhaseMatcher在合成混合物和控制混合物上优于现有基线，并在PhaseMix-135K上比标量减法更准确地估计贡献和残差。
🔬 方法详解
问题定义：本文旨在解决粉末X射线衍射（PXRD）中相位识别的挑战，尤其是在弱相位信号与强信号重叠时，现有方法容易导致识别错误和残差失真。
核心思路：PhaseMatcher采用自回归框架，通过物理引导的谱分解，迭代识别相位并在每次预测后重新估计已识别相位的贡献，以减少后续识别中的误差。
技术框架：PhaseMatcher的整体架构包括相位预测模块、贡献重估模块和停止模块。相位预测模块负责识别当前相位，贡献重估模块在每次预测后更新所有已选相位的贡献，停止模块则判断相位集合是否完整。
关键创新：PhaseMatcher的主要创新在于其物理引导的谱分解方法，能够有效处理相位间的重叠问题，并通过残差指导后续相位的识别，这与传统方法的直接相位识别方式有本质区别。
关键设计：在设计上，PhaseMatcher使用了动态更新的损失函数，确保在每次迭代中对相位贡献的估计更为准确，同时考虑了物理可行性，避免了简单的标量减法带来的误差。
🖼️ 关键图片
📊 实验亮点
在实验中，PhaseMatcher在合成混合物和控制混合物上表现出色，相较于基线方法，识别率显著提高。在PhaseMix-135K数据集上，PhaseMatcher在贡献和残差的估计上比传统的标量减法方法更为准确，展现了其优越性。
🎯 应用场景
该研究的潜在应用领域包括材料科学、化学分析和矿物学等领域，能够帮助研究人员更准确地识别和分析复杂样品中的相位信息。PhaseMatcher的技术可以提升材料表征的效率和准确性，对新材料的开发和应用具有重要的实际价值和未来影响。
📄 摘要（原文）
Recovering complete phase sets from powder X-ray diffraction (PXRD) is challenging when weak-phase peaks overlap stronger signals. A natural strategy is to identify phases iteratively, removing the contribution of each identified phase from the observed pattern before predicting the next. However, even after a phase is correctly identified, misestimating its contribution can distort the residual and cause subsequent errors. We introduce PhaseMatcher, an autoregressive framework for complete phase-set identification with physics-guided spectral decomposition. After each phase prediction, PhaseMatcher re-estimates the contributions of all selected phases and the residual from the original observation and all selected reference patterns, accounting for physically plausible variation between reference patterns and the corresponding phase contributions in the observation. The resulting residual guides subsequent phase identification, while a separate stopping module determines when the phase set is complete. On synthetic mixtures and controlled mixtures constructed from measured single-phase patterns, PhaseMatcher improves complete-set identification over the evaluated baselines. On PhaseMix-135K, it also estimates contributions and residuals more accurately than scalar subtraction.