Single Crystal Automated Refinement (SCAR): A Data-Driven Method for Solving Inorganic Structures
Notice bibliographique
Résumé
<p>Single crystal diffraction is one of the most common experimental techniques in chemistry for determining a crystal structure. However, the process of crystal structure solution and refinement is not always straightforward. Methods to simplify and rationalize the path to the most optimal crystal structure model have been incorporated into various data processing and crystal structure solution software, with the focus generally on aiding macromolecular or protein structure solution. In this work, we propose a new method that uses single crystal data to solve the crystal structures of inorganic, extended solids called “Single Crystal Automated Refinement (<i>SCAR</i>).” The approach was developed using data mining and machine-learning methods and considers several structural features common in inorganic solids, like atom assignment based on physically reasonable distances, atomic statistical mixing, and crystallographic site deficiency. The output is a tree of possible solutions for the data set with a corresponding fit score indicating the most reasonable crystal structure. Here, the foundation for <i>SCAR</i> is presented followed by the implementation of <i>SCAR</i> to solve two newly synthesized and previously unreported phases, ZrAu<sub>0.5</sub>Os<sub>0.5</sub> and Nd<sub>4</sub>Mn<sub>2</sub>AuGe<sub>4</sub>. The structure solutions are found to be comparable with manually solving the data set, including the same refined mixed occupancies and atomic deficiency, supporting the validity of this automatic structure solution method. The proposed <i>SCAR</i> program is thusly verified to be a fast and reliable assistant in solving even complex single crystal diffraction data for extended inorganic solids.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».