XANE(3): Graph Neural Network liefert präzise XANES-Spektren aus Atomstrukturen

Ein neues, physikbasiertes Graph Neural Network namens XANE(3) kann die X‑Röntgen‑Absorptions‑Near‑Edge‑Struktur (XANES) direkt aus atomaren Strukturen vorhersagen. Das Modell nutzt die E(3)-Equivarianz, um die Symmetrie der Moleküle zu berücksichtigen und liefert damit hochpräzise Spektren.

XANE(3) kombiniert mehrere fortschrittliche Techniken: Tensor‑Product‑Message‑Passing mit sphärischen Harmonischen als Kanteneigenschaften, ein Absorber‑Query‑Attention‑Pooling, eine eigens entwickelte equivariant Layer‑Norm, adaptive gated Residual‑Verbindungen und einen Spektral‑Readout, der auf einer multi‑Scale‑Gaussian‑Basis mit optionalem sigmoidalem Hintergrundterm basiert.

Zur Verbesserung der Linienform wird das Training mit einer zusammengesetzten Verlustfunktion durchgeführt, die neben der punktweisen Spektralrekonstruktion auch die ersten und zweiten Ableitungen berücksichtigt. Auf einem Datensatz von 5.941 FDMNES‑Simulationen von Eisenoxid‑Oberflächenfaketten erreichte das Modell eine mittlere quadratische Abweichung von 1,0 × 10⁻³. Es reproduziert die Hauptkante, relative Peak‑Intensitäten, Pre‑Edge‑Features und Post‑Edge‑Oszillationen exakt.

Ablationsstudien zeigen, dass die Ableitungs‑bewusste Objective, die eigens entwickelte equivariant Normalisierung, das absorber‑bedingte Attention‑Pooling, die adaptive gated Residual‑Mischung und der globale Hintergrundterm jeweils die Leistung steigern. Eine skalare Variante ohne Tensor‑Kanäle erzielt ähnliche punktweise Fehler, aber geringere Genauigkeit bei den Ableitungen, was die Bedeutung tensorischer Kanäle für die feine Spektralstruktur unterstreicht.

Die Ergebnisse positionieren XANE(3) als neue Referenz für die Vorhersage von XANES‑Spektren aus atomaren Strukturen und eröffnen damit neue Möglichkeiten in der Materialforschung und Chemie.