Compositional neural networks for multimodal X-ray and neutron scattering inversion
作者: Valentin Munteanu, Alexander Hinderhofer, Dmitry Lapkin, Vladimir Starostin, Frank Schreiber
分类: cs.LG, cond-mat.mtrl-sci, physics.app-ph
发布日期: 2026-10-21
💡 一句话要点
提出模块化神经网络以解决多模态X射线与中子散射反演问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态反演 X射线散射 中子散射 模块化神经网络 概率分析 深度学习
📋 核心要点
- 现有的散射实验方法在缺乏相位信息的情况下，导致不同结构产生相似的散射模式，反演问题不唯一。
- 论文提出了一种模块化的概率多测量分析框架，利用先验调和流匹配进行单观察后验估计的组合。
- 通过对X射线、飞行时间中子和极化中子反射率的实验，展示了该方法在多模态反演中的有效性和准确性。
📝 摘要（中文）
X射线和中子散射在凝聚态物理和材料科学中的结构表征中不可或缺。然而，由于散射实验通常记录强度而缺乏相位信息，不同结构可能产生相似的散射模式，导致相应的逆问题不唯一。本文提出了一种基于先验调和流匹配的概率多测量分析模块化框架。单观察后验估计器分别为不同观察类型或物理探针训练，并通过组合采样器在推理时进行融合。这种后期融合方法允许重用预训练的单观察模型，而无需专门的联合重训练。作为案例，我们考虑反射率测量，提供关于薄膜和界面的深度分辨纳米级信息。
🔬 方法详解
问题定义：本文旨在解决X射线和中子散射实验中，由于缺乏相位信息导致的逆问题不唯一性。现有方法在整合多种测量时面临挑战，难以有效利用不同探针的信息。
核心思路：提出了一种模块化的框架，通过先验调和流匹配实现单观察后验估计的组合，允许在推理时进行后期融合，从而重用预训练模型，避免了联合重训练的需求。
技术框架：整体架构包括单观察后验估计器的独立训练和组合采样器的推理阶段。每种观察类型的模型在推理时结合，形成最终的多模态反演结果。
关键创新：最重要的创新在于模块化设计和后期融合策略，使得不同探针的单观察模型可以高效地结合，显著提高了反演的准确性和可靠性。
关键设计：在模型设计中，采用了特定的损失函数以优化单观察估计器的性能，并确保在推理阶段能够有效融合不同的测量信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在多模态反演中表现出色，尤其是在不同中子对比度和异质多模态组合的情况下，能够实现更高的反演精度，具体性能提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括材料科学、凝聚态物理以及其他需要多模态散射数据的领域。通过提高反演的准确性和可靠性，能够为材料的微观结构分析提供更为精确的工具，推动相关领域的研究进展。
📄 摘要（原文）
X-ray and neutron scattering are indispensable for structural characterization across condensed-matter physics and materials science. Yet, because scattering experiments generally record intensities without phase information, distinct structures can yield similar scattering patterns, rendering the corresponding inverse problems non-unique. This ambiguity can be reduced by combining complementary measurements, but their integration into machine-learning frameworks remains challenging. Here we introduce a modular framework for probabilistic multi-measurement analysis based on prior-amortized flow matching. Single-observation posterior estimators are trained separately for individual observation types or physical probes and combined only at inference time through a compositional sampler. This late fusion approach allows pretrained single-observation models to be reused without dedicated joint retraining. As a case in point, we consider reflectometry, which provides depth-resolved, nanometer-scale information about thin films and interfaces. Our single-observation demonstrations span X-ray, time-of-flight neutron and polarized neutron reflectometry. In separate co-refinement studies, task-matched estimators enable homogeneous composition across multiple neutron contrasts and heterogeneous multimodal composition of X-ray and neutron measurements. Together, these results establish compositional flow matching as a modular approach to uncertainty-aware inversion and co-refinement, with potential applicability to other scattering problems in which multiple observations constrain a common physical structure while retaining measurement-specific parameters.