PXtal：在跨模态信息不对称条件下学习对齐粉末 X 射线衍射与晶体结构
PXtal: Learning to Align Powder X-Ray Diffraction and Crystal Structures under Information Asymmetry across Modalities
精选理由
提出适应信息不对称的跨模态对齐方法，提升PXRD检索晶体及下游任务性能。
AI 摘要
arXiv:2610.10653v1 公告类型：新 摘要：科学多模态学习通常假设成对视图所包含的信息量大致相当。粉末 X 射线衍射（PXRD）明确体现了这种不匹配：将三维晶体结构压缩为一维衍射图样会造成信息损失，也使得图样更难与生成该图样的晶体结构建立联系。我们提出 PXtal，这是一种用于在这种物理上既定的信息不对称条件下学习对齐 PXRD 与晶体表示的框架。PXtal 使用 Unbalanced Optimal Transport（UOT）调整跨模态耦合，并使用耦合层级的广义 Kullback-Leibler（GKL）散度对完整的传输计划进行监督。在包括四个零样本迁移测试集在内的六个测试集上，PXtal 在 PXRD 到晶体候选的检索任务中始终优于基线模型；当 PXRD 图样存在相近但在晶体学上不同的非配对邻居时，性能提升最大，即相似的输入图样对应不同的晶体。由此得到的晶体编码器和 PXRD 编码器能够更有效地迁移到下游材料学与晶体学任务中。这些结果表明，信息不对称是科学多模态学习中的一个普遍设计问题：对齐目标应反映每种模态所保留的信息。