CN108896591A - 一种晶体粉末衍射的指标化方法 - Google Patents
一种晶体粉末衍射的指标化方法 Download PDFInfo
- Publication number
- CN108896591A CN108896591A CN201810449561.8A CN201810449561A CN108896591A CN 108896591 A CN108896591 A CN 108896591A CN 201810449561 A CN201810449561 A CN 201810449561A CN 108896591 A CN108896591 A CN 108896591A
- Authority
- CN
- China
- Prior art keywords
- cell
- space group
- structure cell
- parameter
- cell parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/2055—Analysing diffraction patterns
Abstract
本发明提供一种晶体粉末衍射的指标化方法,包括:(1):预设参数;(2):根据预设的试探空间群序列,指定试探空间群;(3):生成初始的晶胞参数;(4):根据空间群的消光条件,对每组晶胞均计算其对应的理想衍射峰位,与实验粉末衍射峰一并作为输入,计算代价函数值;(5):对每个晶胞进行晶胞约化,然后进行固定空间群的晶胞局域优化;(6):检查最佳的匹配度是否达到预设的阈值;(7):记录最终的匹配度评分最佳的一个晶胞,回到步骤(2),或者生成新的晶胞参数并回到步骤(4);步骤(8):对记录里的所有晶胞过滤后获得最终的推荐晶胞。本发明可以在给出晶胞参数和密勒指标的同时也解出空间群,减少额外的空间群确定工作。
Description
技术领域
本发明属于有机晶体的粉末衍射图样分析。涉及一种晶体粉末衍射的指标化方法。
背景技术
晶体衍射是一种实验上用来分析晶体结构的手段。实验上,用一束单色光照射晶体,光与晶体中的原子、电子相互作用,发生散射。其中弹性散射后的光由于保留了相位信息,可互相干涉形成衍射条纹。要形成衍射,入射光的波长需要与原子间距有相同的量级,常见衍射光源有X射线、高能电子束、中子束等。
粉末衍射是晶体衍射的一种,最常见的是X射线粉末衍射(X-ray powderdiffraction,XRPD)。作为其研究对象的样品是晶体的粉末,可通过结晶、研磨等手段获得。粉末衍射图样是粉末衍射的数据结果,表现为强度关于衍射角(出射光与入射光的夹角)的分布。对于理想的单相的晶体粉末,它的粉末衍射图样是唯一的,因此可以作为晶型的特征。
粉末衍射图样可以用来解析晶胞的结构。解析出晶体结构的一个重要步骤是指标化,通过这个步骤来获得晶胞参数,即晶胞的三条边(a,b,c)和对应的三个夹角(α,β,γ),以及对应每个衍射峰的密勒指数(h,k,l)。衍射峰与晶胞结构的关系遵循布拉格方程:2dhklsinθ=λ,其中dhkl为密勒指数为hkl的晶面之间的间距,θ为衍射角,λ为辐射波长。晶面间距可以由晶胞参数和密勒指数唯一得出。晶胞的大小和形状只与衍射角有关,而与衍射强度无关,所以只要知道衍射峰对应的角度,就可以进行指标化。
现有的指标化方法分为直空间方法和倒空间方法两类。直空间方法的基本思路是使用全局优化算法,其中全局优化的代价函数用来衡量试探晶胞的理论衍射峰的位置与实验的衍射峰的位置的匹配度,最终匹配度最高的若干个晶胞参数就是指标化的结果,代表算法是McMaille。使用的全局优化算法包括但不限于遗传算法、粒子群优化方法、并行回火方法等,使用的代价函数包括但不限于MN、FN等。倒空间方法的思路则是对实验θ值的hkl进行穷举,使用二分法来保留合理的假设,反推出对应的晶胞参数,代表算法是ITO、DICVOL、TREOR、X-Cell等。
发明内容
为了解决以上技术问题,本发明提供一种新的方法,该方法对晶体粉末样品的衍射进行指标化,以推荐出合理的晶胞参数和空间群,并给出对应的评分。
具体来说,一种晶体粉末衍射的指标化方法,包括以下几个步骤:
步骤(1):预设参数:预设全局优化的代价函数、指定所有的试探空间群及每个空间群的搜索次数;预设全局优化的参数;
步骤(2):根据预设的试探空间群序列,指定试探空间群;
步骤(3):随机生成初始的晶胞参数;晶胞参数必须能构建成一个平行六面体,否则再次随机生成新的晶胞参数;
步骤(4):根据空间群的消光条件,对每组晶胞均计算其对应的理想衍射峰位,与实验粉末衍射峰一并作为输入,计算代价函数值;
步骤(5):对每个晶胞进行晶胞约化,然后进行固定空间群的晶胞局域优化,获得新的试探晶胞参数、理想衍射峰位和代价函数值;如果这个代价函数值比步骤(4)里的取值对应的匹配度更高,则把该晶胞更新为本步骤所获得的晶胞,否则晶胞仍然记为步骤(4)的晶胞;
步骤(6):如果全局优化的迭代步数达到预设的最大迭代步数,那么视为达到终点,记录最终的匹配度评分最佳的一个晶胞,退出本次搜索,进行下一步骤。否则,根据全局优化算法策略生成新的一批晶胞参数,并回到步骤(3);遍历所有候选的空间群及其搜索次数,集合每次遍历获得的晶胞参数,作为候选晶胞;
步骤(7):根据筛选条件,过滤后获得最终的推荐晶胞,完成指标化任务。
其中,“使用的全局优化算法”包括但不限于遗传算法、粒子群优化方法、并行回火方法等,这里说的“全局优化算法策略”指的是每个全局优化算法各自的内禀的演化策略。
优选的,所述步骤(5)与步骤(6)之间还包括:指定检查点;当全局优化的迭代步数达到指定步数时,如果此时的全局最优解的代价函数值大于阈值,搜索继续进行,否则认为空间群错误,退出搜索,回到步骤(2);每个全局优化流程中可设置任意个检查点。
本指标化方法属于直空间方法范畴,生成多个晶胞作为试探解,并在整个连续的变量空间中寻找最优解,试探解的演化遵循的全局优化算法内禀的演化策略。所应用的全局优化算法包括但不限于遗传算法、并行回火方法、粒子群优化方法。在进行指标化前,需要先将实验的晶体粉末衍射图样里的衍射峰选出来,确定衍射峰位。研究范围内的所有弱峰都要选上。
优选的,所述检查点包括全局优化迭代步数和对应的代价函数值的阈值两个要素。
优选的,所述步骤(5)中,固定空间群的晶胞局域包括如下几个步骤:
步骤A:计算候选晶胞的理论衍射峰2θ和对应的密勒指数(h,k,l),取出每对2θ之差小于容差的实验衍射峰与理论衍射峰,容差取值一般小于0.6°;
步骤B:记录实验衍射峰的2θ和对应的理论衍射峰的密勒指数(h,k,l)。
步骤C:联立布拉格方程和面间距方程,每对2θ位置和密勒指数(h,k,l)可以建立方程:
其中:
S11=b2c2sin2α
S22=a2c2sin2β
S33=a2b2sin2γ
S12=abc2(cosαcosβ-cosγ)
S23=a2bc(cosβcosγ-cosα)
S13=ab2c(cosγcosα-cosβ)
联立所有方程,组成方程组,使用最小二乘法获得方程组的近似解,这个近似解就是新的晶胞参数a,b,c,α,β,Y。
可以对新的晶胞参数重复步骤A-C多次(一般取0至10次)。最终获得的晶胞参数就是局域优化后的晶胞参数。
优选的,2θ和密勒指数(h,k,l)必须取6对以上;如果2θ位置和密勒指数(h,k,l)的对数大于20,可以只选2θ之差最小的6至20对,或者选2θ最小的6至20对。
本发明带来了如下效果:
1.本发明提供了一组普适的试探晶胞评分函数,可定量分析晶胞匹配度,并且所得的评分不但可以通过相对值来判断晶胞和实验的匹配度,还能通过绝对值来衡量晶体实验粉末衍射图谱的质量,可以应用于包括但不限于指标化的粉末衍射解析任务,例如:①、在晶体结构确定算法里作为代价函数的组成部分;②、在晶体结构精修算法里作为代价函数的组成部分;③、提供依据以判断粉末是否单晶型。
2.采用本发明的技术方案,可以对粉末衍射图样选峰的准确度要求降低,在一些其它算法无解的情况下给出合理解。
3.采用本发明的技术方案,可以在给出晶胞参数和密勒指标的同时也解出空间群,减少额外的空间群确定工作。
附图说明
图1指标化算法流程图。
图2高质量的模拟XRPD的一种实施方式。
图3一般质量的模拟XRPD的一种实施方式。
图4LOXSUC10模拟XRPD图谱指标化的一种实施方式。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明:
实施例1
本指标化方法的流程如图1所示。输入实验粉末衍射图样的峰位后,进入正式的指标化方法的流程。主要包括以下几个步骤:
步骤1.预设参数:
a.预设全局优化的代价函数。代价函数包括但不限于本发明中的评分函数。不失普遍性,接下来的说明中代价函数均以最小化为目标(如果以最大化为目标,那么取其负值即可转换为本情况)。全局优化算法的目标是在变量空间里寻找变量取值组合,使该变量取值组合对应的代价函数值逼近代价函数在定义域里的最小值。特别地,如果代价函数是本发明中的差异度函数,那么全局优化的目标是找到一组晶胞参数和空间群,使其对应的理论衍射峰与实验衍射峰的差异度函数取值为0。
b.指定所有的试探空间群及每个空间群的搜索次数。由于全局优化具有一定的随机性,每个空间群的搜索次数一般设为10,以确认晶胞是否收敛。如果已知晶体的手性,则可以排除中心对称的空间群,使搜索范围进一步减小。如果已知晶系,也可以只指定晶系,自动遍历属于该晶系的所有空间群。特别地,对于药物有机小分子晶体,统计数据显示晶体空间群的分布并不均匀,只要考虑其中36个空间群,即足以覆盖95%的情况。
c.指定检查点。检查点包括全局优化的迭代步数和对应的代价函数值的阈值两个要素。在后续计算中,当全局优化的迭代步数达到指定步数时,如果此时的全局最优解的代价函数值大于阈值,搜索继续进行,否则认为空间群错误,退出搜索。每个全局优化流程中可以设置多个检查点。检查点的设计是为了减少搜索计算量,具体参数设置和具体的全局优化算法以及代价函数有关,需要通过测试来确定。。
d.预设全局优化的参数,包括最大迭代步数等。这些参数依赖于具体的全局优化算法,需要通过测试来确定。特别地,对于粒子群方法,需要设置粒子数和最大迭代步数,例如64个粒子和200步。
步骤2根据预设的试探空间群序列,指定试探空间群。
步骤3随机生成一批初始的晶胞参数。晶胞参数必须能构建成一个平行六面体,否则再次随机生成新的晶胞参数。
步骤4根据空间群的消光条件,对每组晶胞均计算其对应的理想衍射峰位,与实验粉末衍射峰一并作为输入,计算代价函数值。
步骤5对每个晶胞,使用Niggli算法或者Lenstra-Lenstra-Lovasz算法进行晶胞约化,然后进行固定空间群的晶胞局域优化,获得新的试探晶胞参数、理想衍射峰位和代价函数值。如果这个代价函数值比步骤3的小,则把该晶胞更新为本步骤所获得的晶胞,否则晶胞仍然记为步骤3的晶胞。
固定空间群的晶胞局域优化操作如下:取出每对2θ之差小于容差的实验衍射峰与理论衍射峰,容差取值一般小于0.6°,记录实验衍射峰的2θ和对应的理论衍射峰的密勒指数(h,k,l)。2θ和密勒指数(h,k,l)必须取6对以上,如不满6对,则无法进行局域优化。如果2θ位置和密勒指数(h,k,l)的对数超过20,可以只选2θ之差最小的20对,或者选2θ最小的20对。联立布拉格方程和面间距方程,每对2θ位置和密勒指数(h,k,l)可以建立一条下述方程:
其中:
S11=b2c2sin2α
S22=a2c2sin2β
S33=a2b2sin2γ
S12=abc2(cosαcosβ-cosγ)
S23=a2bc(cosβcosγ-cosα)
S13=ab2c(cosγcosα-cosβ)
a,b,c,α,β,Y是未知数。联立所有方程,组成方程组,方程组的解就是新的晶胞参数(a,b,c,α,β,γ)。对新的晶胞参数计算理想衍射峰和对应的密勒指数,重复上述步骤。最终获得的晶胞参数就是局域优化后的晶胞参数。如果优化前的晶胞参数和实验的正确晶胞很接近,那么优化后的晶胞的匹配度评分会更高,这时把晶胞更新为局域优化后的晶胞,否则保留原状。
对三斜晶系以外的每个空间群,先把空间群对晶胞的限制应用到上述方程中,例如对单斜晶系,α和γ均为90。这时方程组中的每条方程变为
然后再求解方程组。这样可以保证晶胞的晶系保持不变。
步骤6如果全局优化的迭代步数达到检查点,那么检查匹配度是否达到预设的匹配度要求,如果满足,继续下一步,否则回到步骤2。(备注同步骤1.c)
步骤7如果全局优化的迭代步数达到预设的最大迭代步数,那么视为达到终点,记录最终的匹配度评分最佳的一个晶胞,退出本次搜索,进行下一步骤。否则,
步骤8根据全局优化算法内禀的演化策略生成新的一批晶胞参数,并回到步骤3。遍历所有候选的空间群及其搜索次数,集合每次遍历获得的晶胞参数,作为候选晶胞。
步骤9根据候选晶胞的体积、匹配度或差异度的评分以及其余筛选条件,过滤后获得最终的推荐晶胞,完成本次指标化任务。
本指标化算法对空间群判断的方法作出了创新,包括步骤1.b、步骤1.c和步骤4,其中步骤4是不可缺少的核心,步骤1.b可以使计算量缩小至不加入这一步骤时的计算量的15%,步骤1.c可以使计算量缩小至不加入这一步骤时的计算量的30%。
本指标化算法对提升指标化效果作出了创新,具体表现为步骤5。提升效果具体表现为提高精确度、收敛性、容错度和寻优效率。
实施例2
试探晶胞的评分函数
试探晶胞的衍射峰与实验衍射峰匹配度的评分函数定义为
其中和分别为理论衍射峰位的集合和实验衍射峰位的集合,为匹配部分的贡献,为不匹配部分的惩罚,cpenalty为取值范围(0,1)内的一个实数。
匹配部分的贡献定义为:
其中A为归一化系数,使最大值为1:
n为实验衍射峰的个数。被求和部分中,函数w(θ)为权重,形式可以是w(θ)∝1/θ,或者w(θ)∝1/θ2或者w(θ)∝1/sinθ或者w(θ)∝1/sin2θ。
函数为单个实验峰的被匹配程度,形式为:
其中,表示的所有可能的取值的集合,Δθtor为判断衍射峰是否匹配的容差。
不匹配部分的惩罚定义为
A和函数w(θ)的定义如上文所述,函数的定义如下
根据上述定义,易知匹配度函数的最大值为1。令差异度函数为
则差异度函数的最小值为0。如果使用匹配度函数作为指标化算法的代价函数,那么1正是全局优化中要逼近的结果。如果使用差异度函数作为指标化算法的代价函数,那么0正是全局优化中要逼近的结果。
实施例3
评分函数应用
考虑一个实验X射线粉末衍射,波长为峰位如下:3.93,7.77,8.83,9.46,11.7,12.97,13.95,15.54,15.98,16.54,17.43,17.85,18.28,18.71,19.64,20.31,20.96,21.32,22.09,22.46,23.34,24.05,25.3,26.19,26.67,27.1,27.52,28.07,29.35,29.93。计算下述晶胞和这个X射线衍射峰的匹配度:晶胞参数依次为6.588,10.220,52.331,90.00,60.10,90.00,空间群为14。取权重函数为w(θ)=1/θ。
先计算晶胞的理论衍射峰,然后用评分函数里的公式计算每个因子的值。匹配部分g函数的值为每对能够匹配上的实验衍射峰和晶胞理论衍射峰的匹配度之和。表1a列出了每对能够匹配的峰对应每个因子的取值,第1列至第6列依次为实验衍射峰的序号、实验衍射峰的2θ位置、理论衍射峰的2θ位置、实验衍射峰归一化后的权重、未加权时每对峰的匹配度以及加权后每对峰的匹配度。已匹配部分实验衍射峰的权重的总和小于1,这是因为实验衍射峰中序号为15的峰没有匹配的理论衍射峰,对匹配度的贡献为0,需要加上15号峰的权重,总和才是1。加权匹配度的总和为0.93012,说明实验衍射峰大多有非常接近的理论衍射峰。惩罚部分h函数的值为每个没有实验衍射峰与之匹配的理论衍射峰的权重之和。如表1b所示,合计后可得h函数值0.91570。cpenalty相当于对每个没有实验衍射峰与之匹配的理论衍射峰的匹配度惩罚。若cpenalty取值为0.5,则匹配度为0.4723,差异度为0.52773。
表1a
表1b
实施例4
评分函数判断粉末为单晶型
有一个实验X射线粉末衍射,波长为晶体每个非对称单元的体积约为衍射峰位如下:3.29,6.52,8.68,9.77,11.68,13.08,15.66,16.37,17.33,17.61,18.11,18.57,19.0,19.45,19.79,20.31,21.39,22.07,22.34,23.36,23.74,23.96,24.53,24.93,25.92,26.6,26.99,27.48,28.01,28.45,28.7,29.12,29.39,29.6,29.96。使用多个不同的指标化方法得到50个候选晶胞,需要从中挑选出匹配度最佳的5个。晶胞参数、空间群和对应的差异度如表2所示。指标化所得的晶胞的评分都显示匹配度很高(差异度函数的对应取值小于0.15),并且晶胞体积合理,则可以认为这个实验样品很可能只有单一晶型。
表2
实施例5
模拟XRPD图谱的指标化
下面将用一个晶体结构生成模拟XRPD来演示本指标化算法。考虑剑桥晶体结构数据库(Cambridge Structural Database,CSD)中代号为LOXSUC10的晶体,它的化学式为C18H19ClN3O+,C4H5O4 -,H2O,晶胞参数为a 9.702(3)b 14.237(4)c 9.436(4)α92.80(3)β115.82(3)γ76.89(2),晶系为三斜,空间群为P-1。注意,约化后的晶胞参数为a 9.436 b9.702 c 14.237α 76.89 β87.2γ64.18,这是LOXSUC10晶胞的等价表示之一。
图4中从上到下分别是LOXSUC10晶体的模拟XRPD曲线、LOXSUC10晶胞理论衍射峰的位置、从模拟XRPD曲线选取的A组目标衍射峰的位置以及从模拟XRPD曲线选取的B组目标衍射峰的位置。理论衍射峰位置根据LOXSUC10晶体的晶胞参数和空间群计算所得。模拟XRPD图谱的生成方法如下:计算出理论衍射峰后,把δ分布的理论衍射峰转为洛仑兹分布,并把转换后的衍射峰叠加起来。目标衍射峰的位置的获取方法如下:假设理论衍射峰未知,使用Jade 6.0,在模拟XRPD图谱上寻找衍射峰,获得衍射峰的位置,将之作目标。为了在最后验证候选晶胞的合理性,目标衍射峰分为A组和B组,A组为明显的强峰,候选晶胞只有满足在A组峰附近(2θ之差小于0.2°)存在理论衍射峰时,才被认为是合理的。目标衍射峰位置如下(单位为度):A组:6.38,10.407,10.901,11.905,12.779,13.394,15.507,16.045,17.758,18.241,18.417,18.855,19.225,19.555;B组:11.032,16.975,19.811,20.041,20.313,20.886,21.209,21.371,21.531,21.892,22.156,22.435,23.236,23.605,23.813,24.103,25.225,25.71,26.202,26.329,27.014,27.223,27.454,27.733,27.902,28.45,28.556,29.417,29.941。
全局优化方法使用粒子群优化方法,粒子数为64,最大迭代步数200,在所有可能的晶胞参数变量空间中搜索。使用本发明里的差异度函数作为全局优化的代价函数。
预设两个检查点:1、迭代步数10,目标差异度0.5。
每个空间群搜索10次,遍历所有空间群。
下面以空间群14的第一次搜索过程为例,描述一个全局优化的全部流程。
第1步迭代:
1、先随机生成64组符合空间群要求的晶胞参数。“符合空间群要求”指晶胞参数的取值要满足空间群所属晶系的要求,例如,空间群14属于单斜晶系,因此晶胞参数中的α和γ必须是90度。每组晶胞都要经过检查,确认可以形成一个平行六面体,否则再次随机生成并检查。
2、根据空间群的消光条件,计算64个晶胞的理论衍射峰的位置。
3、计算64组理论衍射峰位与目标衍射峰位的匹配程度。因此这步结束时我们获得64个晶胞对应的衍射峰差异度数值。
4、计算64个晶胞的约化晶胞,并使用局域优化,获得新的晶胞参数。对每个晶胞计算新晶胞参数对应的衍射峰差异度数值,如果它比步骤3中的数值低,那么把晶胞更新为这一步里获得的新晶胞参数,否则保留上一步里获得的晶胞参数。
5、查找64个差异度中的最小值,记为全局最优。本次全局最优的数值是0.637。
第2步迭代:
根据粒子群算法的策略,生成新的一批64个晶胞。这些晶胞必须能产生平行六面体,并且符合空间群要求。
2-5同第1步迭代,全局最优的数值更新为0.502。
第3-10步迭代操作同第2步迭代,全局最优的差异度更新为0.418。
第10步迭代结束前,增加一点:
因为迭代步数10等于检查点的指定步数,所以要比较全局最优的差异度和检查点的指定差异度。全局最优的差异度0.418小于检查点的指定差异度0.5,因此检查通过,可进行第11步迭代。
第11-200步迭代操作同第2步迭代,全局最优的差异度更新为0.142。
第200步结束前,增加一点:
6.因为迭代步数200是预设的全局优化最大步数,所以记录输出结果如下:全局最优的差异度0.142,全局最优的晶胞参数a13.914b 10.012 c16.099α 90 β 96.07 γ90,空间群14。结束本次全局优化。
上述的全局优化流程是对一个空间群的一次搜索。所有空间群搜索完毕后,选取差异度最低的10个晶胞代为指标化结果,如表3所示。其中差异度最低的晶胞为a 9.43 b9.691 c 14.239 α 77.03 β 87.26 γ 64.17,与LOXSUC10的晶胞a9.436 b 9.702 c14.237α 76.89 β 87.2 γ64.18的比较结果如表4所示,长度误差不超过角度误差不超过0.14°。这表示指标化算法以很高的精确度找到了正确的晶胞。
表3
表4
实施例6
多个模拟XRPD图谱指标化结果的统计
为了用统计数据来评价本指标化算法的效果,我们使用CSD的30个晶体作为目标结构,晶体代号如表5所示。每个晶体分别生成模拟实验的高质量XRPD图谱以及在前者基础上增大半峰宽并增加噪音的一般质量XRPD图谱,即一共生成60个已知正确结构的模拟实验的XRPD案例,来进行测试。高质量XRPD图谱的例子如图2所示,一般质量XRPD图谱的例子如图3所示。
表5
对每个XRPD案例,我们使用Jade 6.0软件挑选模拟XRPD图谱中的衍射峰位置,对同一批衍射峰位置分别使用本指标化算法和McMaille程序(一个在行业内认可度较高的指标化程序)进行指标化。每个XRPD案例各记录指标化结果中匹配度最高的10个候选晶胞对应的晶胞参数和空间群,检查正确结果(即原始的晶体结构数据)这些候选晶胞中的排序,最后统计两种算法的正确率。
统计结果如表6所示。可见本发明中的指标化算法的正确率高于McMaille的结果。此外,由于McMaille程序并不能解出空间群,所以在空间群正确与否的统计中,McMaille比较的是晶系而不是空间群,评判标准比衡量本指标算法时略微宽松。
表6
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种晶体粉末衍射的指标化方法,其特征在于,包括以下几个步骤:
步骤(1):预设参数:预设全局优化的代价函数、指定所有的试探空间群及每个空间群的搜索次数;预设全局优化的参数;
步骤(2):根据预设的试探空间群序列,指定试探空间群;
步骤(3):生成初始的晶胞参数;晶胞参数必须能构建成一个平行六面体,否则再次生成新的晶胞参数;
步骤(4):根据空间群的消光条件,对每组晶胞均计算其对应的理想衍射峰位,与实验粉末衍射峰一并作为输入,计算代价函数值;
步骤(5):对每个晶胞进行晶胞约化,然后进行固定空间群的晶胞局域优化,获得新的试探晶胞参数、理想衍射峰位和代价函数值;如果这个代价函数值比步骤(4)的小,则把该晶胞更新为本步骤所获得的晶胞,否则晶胞仍然记为步骤(4)的晶胞;
步骤(6):如果全局优化的迭代步数达到预设的最大迭代步数,那么视为达到终点,记录最终的匹配度评分最佳的一个晶胞,退出本次搜索,进行下一步骤;否则,根据全局优化算法内禀的演化策略生成新的一批晶胞参数,并回到步骤(4);遍历所有候选的空间群及其搜索次数,集合每次遍历获得的晶胞参数,作为候选晶胞;
步骤(7):根据筛选条件,过滤后获得最终的推荐晶胞,完成指标化任务。
2.如权利要求1所述的方法,其特征在于,所述步骤(5)与步骤(6)之间还包括:指定检查点;当全局优化的迭代步数达到指定步数时,如果此时的全局最优解的代价函数值大于阈值,搜索继续进行,否则认为空间群错误,退出搜索,回到步骤(2);每个全局优化流程中可设置任意个检查点。
3.如权利要求2所述的方法,其特征在于,所述检查点包括步数和对应的阈值两个要素。
4.如权利要求1所述的方法,其特征在于,所述步骤(5)中,固定空间群的晶胞局域包括如下几个步骤:
步骤A:取出每对2θ之差小于容差的实验衍射峰与理论衍射峰,容差取值一般小于0.6°;
步骤B:记录实验衍射峰的2θ和对应的理论衍射峰的密勒指数(h,k,l);
步骤C:联立布拉格方程和面间距方程,每对2θ位置和密勒指数(h,k,l)建立方程:
其中:
S11=b2c2sin2α
S22=a2c2sin2β
S33=a2b2sin2γ
S12=abc2(cosαcosβ-cosγ)
S23=a2bc(cosβcosγ-cosα)
S13=ab2c(cosγcosα-cosβ)
联立所有方程,组成方程组,方程组的解就是新的晶胞参数a,b,c,α,β,Y;对新的晶胞参数计算理想衍射峰和对应的密勒指数,重复步骤A-C,最终获得的晶胞参数就是局域优化后的晶胞参数。
5.如权利要求4所述的方法,其特征在于,2θ和密勒指数(h,k,I)取6对以上;如果2θ位置和密勒指数(h,k,I)的对数大于20对,可以只选2θ之差最小的6-20对,或者选2θ最小的6-20对。
6.如权利要求4所述的方法,其特征在于,如果空间群对应单斜或对称性更高的晶系,方程组中须加入额外的方程,该额外的方程描述晶系对晶胞参数的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449561.8A CN108896591B (zh) | 2018-05-11 | 2018-05-11 | 一种晶体粉末衍射的指标化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449561.8A CN108896591B (zh) | 2018-05-11 | 2018-05-11 | 一种晶体粉末衍射的指标化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108896591A true CN108896591A (zh) | 2018-11-27 |
CN108896591B CN108896591B (zh) | 2020-10-16 |
Family
ID=64343238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449561.8A Active CN108896591B (zh) | 2018-05-11 | 2018-05-11 | 一种晶体粉末衍射的指标化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108896591B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466418A (zh) * | 2020-12-09 | 2021-03-09 | 深圳智药科技有限公司 | 晶体空间结构变换方法及系统 |
CN113223631A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种晶体结构解析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1508537A (zh) * | 2002-12-16 | 2004-06-30 | 中国科学院福建物质结构研究所 | 一种粉末图的指标化方法 |
CN101710085A (zh) * | 2009-12-23 | 2010-05-19 | 重庆大学 | 基于Matlab的电子衍射指数标定方法 |
CN101794351A (zh) * | 2010-03-09 | 2010-08-04 | 哈尔滨工业大学 | 一种基于大间隔最近中心点的蛋白质二级结构的工程预测方法 |
US20150276629A1 (en) * | 2014-01-28 | 2015-10-01 | Bruker Axs, Inc. | Method of conducting an x-ray diffraction-based crystallography analysis |
CN105115998A (zh) * | 2015-08-20 | 2015-12-02 | 中国石油化工股份有限公司 | 一种粉末衍射择优取向参数确定方法 |
CN106503487A (zh) * | 2016-11-01 | 2017-03-15 | 北京理工大学 | 一种统计分析蛋白质肽键的顺式和反式结构的方法 |
-
2018
- 2018-05-11 CN CN201810449561.8A patent/CN108896591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1508537A (zh) * | 2002-12-16 | 2004-06-30 | 中国科学院福建物质结构研究所 | 一种粉末图的指标化方法 |
CN101710085A (zh) * | 2009-12-23 | 2010-05-19 | 重庆大学 | 基于Matlab的电子衍射指数标定方法 |
CN101794351A (zh) * | 2010-03-09 | 2010-08-04 | 哈尔滨工业大学 | 一种基于大间隔最近中心点的蛋白质二级结构的工程预测方法 |
US20150276629A1 (en) * | 2014-01-28 | 2015-10-01 | Bruker Axs, Inc. | Method of conducting an x-ray diffraction-based crystallography analysis |
CN105115998A (zh) * | 2015-08-20 | 2015-12-02 | 中国石油化工股份有限公司 | 一种粉末衍射择优取向参数确定方法 |
CN106503487A (zh) * | 2016-11-01 | 2017-03-15 | 北京理工大学 | 一种统计分析蛋白质肽键的顺式和反式结构的方法 |
Non-Patent Citations (5)
Title |
---|
CERNY RADOVAN ET AL.: "Direct space methods of structure determination from powder diffraction: principles, guidelines and perspectives", 《ZEITSCHERIFT FUR KRISTALLOGRAPHIE》 * |
DAVID W.I.F. ET AL.: "Structure determination from powder diffraction data", 《ACTA CRYSTALLOGRAPHICA A-FOUNDATION AND ADCANCES》 * |
高召琴 等: "基于遗传算法的全局优化及在团簇结构搜索中的应用", 《淮阴师范学院学报(自然科学版)》 * |
高朋越 等: "基于智能全局优化算法的理论结构预测", 《物理》 * |
高朋越: "基于CALYPSO方法的XRD逆向结构搜素和蛋白质结构预测", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466418A (zh) * | 2020-12-09 | 2021-03-09 | 深圳智药科技有限公司 | 晶体空间结构变换方法及系统 |
CN113223631A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种晶体结构解析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108896591B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fukaya et al. | Determination of the chiral condensate from (2+ 1)-flavor lattice QCD | |
Mukhamedzhanov et al. | Asymptotic normalization coefficients from the 14 C (d, p) 15 C reaction | |
Campbell et al. | Next-to-leading order predictions for W W+ jet production | |
CN108896591A (zh) | 一种晶体粉末衍射的指标化方法 | |
Foffa et al. | Near and far zones in two-body dynamics: An effective field theory perspective | |
Sammarruca et al. | Analysis of the neutron matter equation of state and the symmetry energy up to fourth order of chiral effective field theory | |
Bernreuther et al. | The forward-backward asymmetry for massive bottom quarks at the Z peak at next-to-next-to-leading order QCD | |
Dove et al. | Pair distribution functions from neutron total scattering for the study of local structure in disordered materials | |
Altmannshofer et al. | UV physics from IR features: New prospects from top flavor violation | |
Ziparo et al. | Cosmic radiation backgrounds from primordial black holes | |
Guevara et al. | Improved description of dilepton production in τ−→ ν τ P− decays | |
Bicudo et al. | Study of I= 0 bottomonium bound states and resonances in S, P, D, and F waves with lattice QCD static-static-light-light potentials | |
Jorgenson et al. | The integrability of consumer demand functions | |
Massone et al. | SIMMER extension for multigroup energy structure search using genetic algorithm with different fitness functions | |
Yasuno et al. | Relative sensitivity factors for hard X‐ray photoelectron spectroscopy with photon energies of 3.0, 5.9, 7.9, and 9.9 keV | |
WO2019213966A1 (zh) | 一种晶体粉末衍射的指标化方法 | |
Parks et al. | Electron-impact excitation of highly charged berylliumlike ions with inclusion of configuration mixing | |
Amaro | Study of forbidden transitions in atomic systems | |
Groh | Search for new physics with top quark pairs in the ℓ+ jets channel at√�= 13 TeV with the ATLAS experiment at the LHC | |
Miao et al. | An Accurate and Efficient SN Method for Multigroup Neutron Transport Equations in Slab Geometry | |
Potashnikov et al. | Verification of the McStas code using two double axis neutron diffractometers | |
Kirschenmann et al. | Search for long-lived particles using displaced jets in proton-proton collisions at root s= 13 TeV | |
Büyükuslu | Deuteron Optical Model Calculations for Elastic and Inelastic Reactions on 14N, 16O, 27Al Target Nuclei | |
Anataichuk et al. | arXiv: Exploring SMEFT Couplings Using the Forward-Backward Asymmetry in Neutral Current Drell-Yan Production at the LHC | |
Anataichuk et al. | Exploring SMEFT Couplings Using the Forward-Backward Asymmetry in Neutral Current Drell-Yan Production at the LHC |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |