主要观点总结
丹麦哥本哈根大学研究人员开发了一种基于深度学习的解决晶体相问题的新方法PhAI。该方法利用深度学习神经网络生成电子密度图，以仅2埃的分辨率解决晶体学的相位问题，相当于原子分辨率可用数据的10%到20%，大大优于传统方法。这项研究在《Science》杂志上发表。
关键观点总结
关键观点1: 研究背景及重要性
晶体学是自然科学中的核心分析技术，相位问题是晶体学中的一大挑战。传统方法需要原子分辨率的衍射数据，但原子分辨率的要求是一种经验观察，直接法存在局限性。因此，研究出一种新的方法来解决晶体学的相位问题具有重要意义。
关键观点2: 研究内容及方法
研究人员采用数据驱动的方法，使用数百万个人造晶体结构及其相应的衍射数据，旨在解决晶体学中的相位问题。他们使用深度学习神经网络PhAI来解决这个问题，该网络接受结构因子振幅并输出相应的相位值。PhAI的设计考虑了晶体结构的特点，包括晶胞大小、计算资源和输入数据的限制。
关键观点3: 研究成果及优势
经过训练的神经网络表现出色，能够在从低分辨率数据中解决结构方面表现出色。尽管神经网络几乎没有针对无机结构进行训练，但它可以完美地解决此类结构。与传统方法相比，PhAI仅需要10%至20%的原子分辨率数据，这一成果打破了原子分辨率对于从头算方法来说不是必需的观念。
关键观点4: 研究的局限性与未来展望
虽然PhAI方法表现出色，但仍面临一些挑战，如扩展神经网络以处理较大晶胞的衍射数据将需要大量的输入和输出数据以及训练期间的计算成本。未来需要进一步研究将该方法扩展到一般情况。
文章预览
将 ScienceAI 设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | KX 时至今日，晶体学所测定的结构细节和精度，从简单的金属到大型膜蛋白，是任何其他方法都无法比拟的。 然而，最大的挑战——所谓的相位问题，仍然是从实验确定的振幅中检索相位信息。 丹麦哥本哈根大学研究人员，开发了 一种解决晶体相问题的深度学习方法 PhAI，利用数百万人工晶体结构及其相应的合成衍射数据训练的深度学习神经网络，可以生成准确的电子密度图。 研究表明，这种基于深度学习的从头算结构解决方案方法， 可以以仅 2 埃的分辨率解决相位问题，该分辨率仅相当于原子分辨率可用数据的 10% 到 20%， 而传统的从头算方法通常需要原子分辨率。 相关研究以《 PhAI: A deep-learning approach to solve the crystallographic phase problem 》为题，于 8 月 1 日发布在《 Science 》
………………………………
