劳伦斯利弗莫尔国家实验室 (LLNL) 的科学家开发了一种新方法，可以快速预测异质材料的结构和化学成分。

在材料化学的一项新研究中，LLNL 科学家 Wonseok Jeong 和 Tuan Anh Pham 开发了一种将机器学习与 X 射线吸收光谱 (XANES) 相结合的方法，以阐明无定形碳氮化物的化学形态。

该研究为系统的局部原子结构提供了深刻的新见解，并且在更广泛的背景下，代表了建立自动化框架以快速表征具有复杂结构的异质材料的关键一步。

解开异质材料的原子结构，例如烈性炸药爆炸产生的碳质残留物，对材料科学家提出了重大挑战。该过程通常是劳动密集型的，并且在许多情况下涉及经验参数的使用。

为了应对这一突出的挑战，该团队的综合方法从开发机器学习潜力开始，能够有效地探索作为代表性系统的无定形碳氮化物的巨大配置空间。这种基于神经网络的模型能够识别材料内具有代表性的局部结构，从而深入了解这些结构如何随化学成分和密度而演变。

通过将这些机器学习潜力与高保真原子模拟相结合，研究人员建立了局部原子结构和光谱特征之间的相关性。这种相关性是解释 XANES 实验数据的基础，可以从复杂的光谱中提取关键的化学信息。

该论文的第一作者 Jeong 表示： “在我们的研究中，我们的目标是通过将计算方法与实验技术相结合，解决表征爆炸产物和无序材料的长期挑战。”