数百万晶体数据训练，解决晶体学相位问题，深度学习方法PhAI登Science
原文中文，约2400字，阅读约需6分钟。
📝
内容提要
丹麦哥本哈根大学研究人员开发了PhAI，一种解决晶体相问题的深度学习方法，可以以2埃的分辨率解决相位问题。该方法利用深度学习神经网络训练，生成准确的电子密度图，为基于深度学习的结构测定开辟了新途径。
🔎
延伸解读
PhAI如何降低对原子分辨率数据的依赖
传统直接法通常需要原子分辨率数据，但PhAI仅需10%至20%的原子分辨率数据即可解决相位问题。这意味着在实验数据分辨率较低时，PhAI仍能生成准确的电子密度图，打破了晶体学中必须有原子分辨率数据的普遍观念。
PhAI的适用范围与当前限制
PhAI目前主要针对中心对称空间群P21/c、晶胞尺寸约10 Å的结构进行训练和测试，且训练数据以有机分子为主。虽然它在2387个测试用例中表现出色，甚至能解决部分无机结构，但扩展到更大晶胞的衍射数据仍需进一步研究。
PhAI与传统方法的对比
与电荷翻转法相比，PhAI在低分辨率数据下表现更优，而电荷翻转法在高分辨率时表现良好，但随着分辨率降低，其成功率逐渐下降。PhAI通过深度学习自动学习相位与振幅的关系，无需用户手动调整参数，计算需求适中。
❓
Q&A
PhAI方法的主要功能是什么？
PhAI方法主要用于解决晶体学中的相位问题，能够以2埃的分辨率生成准确的电子密度图。
PhAI方法与传统方法相比有什么优势？
PhAI方法只需10%到20%的原子分辨率数据，而传统方法通常需要完整的原子分辨率数据。
PhAI是如何训练的？
PhAI通过数百万个人造晶体结构及其衍射数据训练深度学习神经网络，以生成相位值。
PhAI方法的计算需求如何？
经过训练的PhAI神经网络在标准计算机上运行，计算需求适中，不需要额外的输入信息。
PhAI方法的测试结果如何？
PhAI在2387个测试用例中表现出色，能够解决低分辨率数据中的结构。
未来对PhAI方法的研究方向是什么？
未来需要进一步研究以扩展PhAI方法到更大晶胞的衍射数据。
🏷️
