No campo da experimentação de fontes de luz sincronizadas e da ciência dos materiais, a estrutura fina de absorção de raios X (XAFS) é a principal técnica analítica para estudar a estrutura atómica local, os estados químicos e as propriedades eletrônicas de materiais. No entanto, as ferramentas tradicionais de processamento de dados XAFS apresentam problemas como processos onerosos, fechamento de algoritmos e má compatibilidade com vários formatos. O TableXAFS é uma plataforma de análise de dados eficiente, de código aberto e interativa projetada para os experimentos do XAFS, projetada para permitir que os pesquisadores analisem rapidamente dados experimentais complexos através de processos automatizados, operações visuais e modelagem multidimensional.

Características do TableXAFS:

1. Automação de dados de todo o processo

Pré-processamento em um clique: suporta a importação em lote de formatos de dados principais de fonte de luz sincronizada para completar automaticamente as etapas de pré-processamento como calibração de energia, dedução de fundo e normalização.

Desruído inteligente e interpolação: otimiza a relação de sinal-ruído com base em algoritmos de aprendizado de máquina para análise de amostras de sinais de baixa concentração ou fracos.

Modelagem de Visualização Interativa

Renderização dinâmica de gráficos 3D: Aceleração de GPU para visualização 3D em tempo real de gráficos EXAFS e XANES.

Ajuste arrastado: biblioteca de modelos multi-físicos incorporada para permitir que o usuário conclua o ajuste estrutural através da curva de parâmetros arrastados para verificar intuitivamente o número de posições, o comprimento da chave, a desordem e outros parâmetros.

Colaboração entre plataformas e integração em nuvem

Análise colaborativa em nuvem: os dados e modelos podem ser sincronizados na nuvem para apoiar a colaboração em equipe de vários nós.

Integração com o JupyterNotebook: Conecta a computação química quântica sem problemas através da API Python para construir um sistema de validação de ciclo fechado "experimental-computação".

Vantagens tecnológicas e inovação:

Algoritmos de código aberto e escalabilidade

O código principal é baseado no desenvolvimento de dois motores Python/Julia, com módulos de algoritmo de código aberto que permitem aos usuários personalizar parâmetros de otimização ou incorporar novos modelos.

Fornece um kit de desenvolvimento de plugins que suporta funcionalidades de extensão de terceiros.

2. Otimização de computação de alto desempenho

Reduza as tarefas de ajuste EXAFS tradicionais de horas para minutos com a aceleração do cálculo paralelo multithread e CUDA.

Suporta computação em cluster distribuída para conjuntos de dados de grande escala.

Assistência à tomada de decisão inteligente

Recomendação de estrutura de IA: Recomenda automaticamente modelos estruturais possíveis e valores iniciais adequados com base em bancos de dados de materiais e modelos de aprendizagem profunda.

Visualização da propagação de erros: quantifique a incerteza dos parâmetros de ajuste através de mapas de calor de intervalo de confiança e elipse de erro para evitar a interpretação excessiva dos dados experimentais.

Aplicações típicas:

1​​. Caracterização do catalisador: Analisar a evolução dinâmica do local ativo.

Estudo de materiais de bateria: rastrear distorções estruturais locais de metais de transição durante o carregamento e descarga de baterias de íons de lítio.

Ciência Ambiental: quantificar a forma química e o ambiente de localização dos poluentes de metais pesados no solo / água.

Projeto de nanomateriais: revela o efeito do ligante de superfície do ponto quântico sobre a distância atômica e a densidade do estado eletrônico.